您的位置:金沙手机版下载 > www.990.com > 实现估值网络

实现估值网络

2019-10-10 16:48

Q-Learning,学习Action对应期望值(Expected Utility)。1988年,Watkins提议。收敛性,一九九三年,Watkins和Dayan共同证实。学习期望价值,从眼下一步到具备继续手续,总希望获得最大价值(Q值、Value)。Action->Q函数,最棒攻略,在各样state下,选拔Q值最高的Action。不注重情形模型。有限马尔科夫决策进程(马克ov Dectision Process) ,Q-Learning被注明最终能够找到最优政策。

Q-Learning目标,求解函数Q(st,at),依照当下情形气象,估算Action期待价值。Q-Learning磨炼模型,以(状态、行为、表彰、下一情景)构成元组(st,at,rt+1,st+1)样本练习,st当前情景,at当前地方下试行action,rt+1推行Action后取得奖赏,st+1下一气象,(当前气象,行动,奖赏,下一景观)。特征(st,at)。学习指标(期待价值) rt+1+γ·maxaQ(st+1,a),当前Action得到Reward,加下一步可得到最大梦想价值,当前事态行动奖赏,加下一状态行动最大希望价值。学习指标满含Q-Learning函数本人,递归求解。下一步可获最大梦想价值乘γ(衰减周到discount factor),以后表彰的上学权重。discount factor 0,模型学习不到其余今后表彰信息,变短视,只关切当下平价。discount factor >= 1,算法恐怕不能消失,期待价值不断丰盛没有衰减(discount),期待价值发散。discount factor平日比1稍小。Qnew(st,at)<-(1-α)·Qold(st,at)+α·(rt+1+γ·maxaQ(st+1,a)),Q-Learning学习进程式子。旧Q-Learning函数Qold(st,at),向学习目的(当前获得Reward加下一步可获得最大希望价值),按异常的小学习速率α学习,获得新Q-Learning函数Qnew(st,at)。学习速率决定新收获样本音信覆盖率前左右到音信比率,平日设很小值,保险学习进程稳固,确定保证最后收敛性。Q-Learning必要开首值Q0,比较高早先值,鼓劲模型多探寻。

上学Q-Learning模型用神经网络,得到模型是价值评估互联网。用相比较深的神经网络,就是DQN。谷歌DeepMind,《Nature》诗歌,《Human-level control through deep reinforcement learning》提出。DeepMind用DQN创制达标人类专家水平玩Atari2600体系游戏Agent。

state of the art DQN Trick。第二个Trick。DQN引进卷积层。模型通过Atari游戏录制图像理解情状音讯并学习战术。DQN需求通晓接收图像,具有图像识别技艺。卷积神经互联网,利用可领取空间协会新闻卷积层抽取特征。卷积层提取图像中关键目的特征传给后层做分类、回归。DQN用卷积层做加强学习磨练,依照条件图像输出决策。

其次个Trick。Experience Replay。深度学习必要多量样本,守旧Q-Learning online update方法(逐条对新样本学习)不适合DQN。增大样本,七个epoch磨炼,图像一再使用。Experience Replay,累积Agent Experience样本,每趟磨练随机抽出部分样书供网络学习。牢固产生学习任务,制止短视只学习最新接触样本,综合屡次使用过往大批量样本学习。创造储存Experience缓存buffer,积累一定量较新样本。体积满了,用新样本替换最旧样本,保障大多数样本相近概率被抽到。不替换旧样本,练习进度被抽到可能率永久比新样本高相当多。每回需求陶冶样本,直接从buffer随机抽出一定量给DQN磨练,保持样本高利用率,让模型学习到较新样本。

其多个Trick。用第3个DQN互联网帮衬磨练,target DQN,支持总结目的Q值,提供学习目的公式里的maxaQ(st+1,a)。多少个网络,八个构建学习指标,四个实际上磨练,让Q-Learning磨炼目的保持安澜。加强学习 Q-Learning学习目的每一遍更动,学习指标总局是模型自身输出,每一趟换代模型参数会招致学习指标转移,更新往往幅度大,磨炼进程会要命不平稳、失控,DQN磨炼会深陷目的Q值与预测Q值反馈循环(陷入震荡发散,难消失)。要求安静target DQN辅助网络计算指标Q值。target DQN,低频率、缓慢学习,输出目的Q值波动异常的小,减小陶冶进程影响。

第三个Trick。Double DQN。DeepMind 《Deep Reinforcement Learning with Double Q-Learning》。古板DQN高估Action Q值,高估不均匀,导致次优Action被高估超过最优Action。target DQN 肩负生成目的Q值,头阵生Q(st+1,a),再通过maxa选择最大Q值。Double DQN,在主DQN上经过最大Q值选拔Action,再拿走Action在target DQN Q值。主网选拔Action,targetDQN生成Action Q值。被挑选Q值,不自然总是最大,幸免被高估次优Action总是超过最优Action,导致开采不了真正最好Action。学习指标公式:Target=rt+1+γ·Qtarget(st+1,argmaxa(Qmain(st+1,a)))。

第5个Trick。Dueling DQN。谷歌 《Dueling Network Architectures for Deep Reinforcement Learning》。Dueling DQN,Q值函数Q(st,at)拆分,一部分静态环情有所价值V(st),Value;另一片段动态选用Action额外带来价值A(at),Advantage。公式,Q(st,at)=V(st)+A(at)。网络独家总计情况Value和抉择Action Advantage。Advantage,Action与其他Action相比,零均值。互连网最终,不再间接输出Action数量Q值,输出三个Value,及Action数量 Advantage值。V值分别加到各类Advantage值上,得最终结果。让DQN学习指标更引人瞩目,若是当前希望价值首要由环情调节,Value值大,全部Advantage波动极小;倘诺期望价值重要由Action决定,Value值小,Advantage波动大。分解让学习指标更平稳、正确,DQN对意况境况测度技巧越来越强。

兑现带Trick DQN。职分遭受GridWorld导航类水言纟工。GridWorld满含八个hero,4个goal,2个fire。调节hero移动,每一遍向上、下、左、右方向活动一步,多触碰goal(嘉勉值1),避开fire(奖赏值-1)。游戏目的,限度步数内获得最多分数。Agent 直接通过GridWorld图像学习决定hero移动最优政策。

创立GridWorld任务情状。载入注重库,itertools迭代操作,scipy.misc、matplotlib.pyplot绘图,练习时间长,os定期积累模型文件。

创制情形内物体对象class。情况物体属性,coordinates(x,y坐标)、size(尺寸)、intensity(亮度值)、channel(锐界GB颜色通道)、reward(表彰值)、name(名称)。

始建GridWorld境遇class,起先化方法只传入参数情状size。情形长、宽为输入size,遭逢Action Space设4,最早化情形物体对象列表。self.reset()方法重新恢复设置景况,获得起先observation(GridWorld图像),plt.imshow呈现observation。

概念际遇reset方法。创设全部GridWorld物体,1个hero(客商调整指标)、4个goal(reward 1)、2个fire(reward -1),增多到物体对象列表self.objects。self.newPosition()创立物体地方,随机选取未有被并吞新职责。物有物体size、intensity 1,hero channel 2(高粱红),goal channel 1(米色),fire channel 0(灰白)。self.renderEnv()绘制GridWorld图像,state。

贯彻移动英雄剧中人物方法,传入值0、1、2、3八个数字,分别表示上、下、左、右。函数依照输入操作壮士移动。若是运动该方向会导致英雄出界,不会进展任何活动。

概念newPosition方法,选拔二个跟现存物体不冲突地点。itertools.product方法猎取多少个变量全数结成,创造意况size允许具有地点会集points,获取目前有着物体地方集合currentPositions,从points去掉currentPositions,剩下可用位置。np.random.choice随机抽出二个可用地点重回。

定义checkGoal函数。检查hero是或不是触碰goal、fire。从objects获取hero,别的物体对象放置others列表。编历others列表,即便物体和坐标与hero完全一致,决断触碰。依据触碰物体销毁,self.newPosition()方法在大肆人置再次生成物体,重返物体reward值(goal 1,fire -1)。

创设长宛size+2、颜色通道数 3 图片。初步值全1,代表全土黑。最外侧内部像素颜色值全体赋0,代表海水绿。遍历物体对象列表self.objects,设置物体亮度值。scipy.misc.imresize将图像从原来大小resize 84x84x3尺寸,寻常游玩图像尺寸。

概念GridWorld景况进行一步Action方法。输入参数Action,self.moveChart(action)移动hero地方,self.checkGoal()检查测量试验hero是或不是触碰物体,得到reward、done标识。self.renderEnv获取遭受图像state,再次回到state、reward、done。

调用gameEnv类开始化方法,设置size 5,成立5x5大小GridWorld景况,每回成立GridWorld蒙受随机变化。小尺寸景况相对容命理术数习,大尺寸较难,磨练时间更加长。

统一筹算DQN(Deep Q-Network)互连网。使用卷积层,能够一贯从情状原始像素学习攻略。输入scalarInput,扁平化长为84x84x3=21168向量,苏醒成[-1,84,84,3]尺寸图片ImageIn。tf.contrib.layers.convolution2d创造第2个卷积层,卷积核尺寸8x8,步长4x4,输出通道数(filter数量)32,padding模型VALID,bias最早化器空。用4x4升幅和VALID模型padding,第1层卷积输出维度20x20x32。第2层卷积尺寸4x4,步长2x2,输出通道数64,输出维度9x9x64。第3层卷积尺寸3x3,步长1x1,输出通道数64,输出维度7x7x64。第4层卷积尺寸7x7,步长1x1,输出通道数512,空间尺寸只同目的在于二个职务卷积,,输出维度1x1x512。

tf.split(),第三个卷积层输出conv4平均拆分两段,streamAC、streamVC,Dueling DQN Advantage Function(Action带来的价值)和Value Function(情状本人价值)。tf.split函数第2参数代表要拆分成几段。第3参数代表要拆分多少个维度。tf.contrib.layers.flatten将streamAC和streamVC转遍平的steamA和steamV。创制streamA和streamV线性全连接层参数AW和VW。tf.random_normal初阶化权重,tf.matmul做全连接层矩阵乘法,获得self.Advantage和self.Value。Advantage针对Action,输出数量为Action数量。Value针对遇到统一的,输出数量 1。Q值由Value、advantage复合成,Value加上减弱均值Advantage。Advantage减去均值操作 tf.subtract,均值计算tf.reduce_mean函数(reduce_indices 1,代表Action数量维度)。最终输出Action,Q值最大Action,tf.argmax。

概念Double DQN目的Q值targetQ输入placeholder,Agent动作actions输入placeholder。总括目的Q值,action由主DQN接纳,Q值由援助target DQN生成。总括预测Q值,scalar格局actions转onehot编码情势,主DQN生成的Qout乘以actions_onehot,得预测Q值(Qout和actions都源于主DQN)。

定义loss,tf.square、tf.reduce_mean计算targetQ和Q均方基值误差,学习速率1e-4 Adam优化器优化预测Q值和指标Q值偏差。

实现Experience Replay策略。定义experience_buffer class。初阶化定义buffer_size存款和储蓄样本最大容积,创立buffer列表。定义向经buffer添台币素方法。假如超过buffer最大容积,清空最先样本,列表末尾增多新成分。定义样本抽样方式,用random.sample()函数随机收取一定数量样本。

概念84x84x3 states扁平化 1维向量函数processState,方便后边聚积样本。

updateTargetGraph函数,更新target DQN模型参数(主DQN用DQN class self.updateModel方法立异模型参数)。输入变量tfVars,TensorFlow Graph全部参数。tau,target DQN向主DQN学习的速率。函数updateTargetGraph取tfVars前五成参数,主DQN模型参数。再令支持targetDQN参数朝向主DQN参数前进十分的小比例(tau,0.001),target DQN缓慢学习主DQN。操练时,目的Q值不可能在两遍迭代间波动太大,练习非常不稳固、失控,陷入指标Q值和展望Q值反馈循环。须要牢固目的Q值陶冶互连网,缓慢学习target DQN网络出口指标Q值,主互联网优化指标Q值和预测Q值间loss,target DQN跟随主DQN缓慢学习。函数updateTargetGraph创立立异target DQN模型参数操作,函数updateTarget实施操作。

DQN网络演练进度参数。batch_size,每便从experience buffer获取样本数,32。更新频率update_freq,每间隔多少step实行贰次模型参数更新,4。Q值衰减周全(discount factor)γ,0.99。startE最初推行随机Action概率。endE最后实施随机Action可能率。anneling_steps从初叶随机概率降到最终随机可能率所需步数。num_episodes总共多少次GridWorld情况试验。pre_train_steps正式用DQN选拔Action前开展多少步随机Action测量试验。max_epLength每种episode进行多少步Action。load_model是或不是读取从前磨炼模型。path模型积累路线。h_size是DQN互连网最终全连接层隐含节点数。tau是target DQN向主DQN学习速率。

Qnetwork类初阶化mainQN和帮忙targetQN。开首化全体模型参数。trainables获取具备可演习参数。updateTargetGraph创造创新target DQN模型参数操作。

experience_buffer创设experience replay class,设置当前随机Action几率e,总结e每一步衰减值stepDrop。起头化累积各个episode的reward列表rList,总步数total_steps。创造模型磨炼保存器(Saver)检查保存目录是或不是留存。

开创暗中同意Session,要是load_model标记True,检查模型文件路线checkpoint,读取载入已封存模型。实施参数初步化操作,实施更新targetQN模型参数操作。成立GridWorld试验循环,创立每一种episode内部experience_buffer,内部buffer不加入当前迭代替陶冶练,演习只使用从前episode样本。开头化境况得第贰个条件新闻s,processState()函数扁平化。开始化默许done标识d、episode内总reward值rAll、episode内步数j。

创办内层循环,每一遍迭代实施Action。总步数紧跟于pre_train_steps,强制用随机Action,只从随机Action学习,不加强过程。达到pre_train_steps,保留一点都不大可能率随机选择Action。不随机采取Action,传入当前状态s给主DQN,预测拿到相应实行Action。env.step()实行一步Action,获得接下来事态s1、reward、done标志。processState对s1扁平化处理,s、a、r、s1、d传入episodeBuffer存款和储蓄。

总步数当先pre_train_steps,持续收缩随机挑选Action可能率e,直到最低值endE。每当总步数达到update_freq整数部,实行一回练习,模型参数更新。从myBuffer中sample出叁个batch_size样本。练习样本第3列消息,下一景观s1,传入mainQN,实施main.predict,获得主模型选用Action。s1流传帮助targetQN,获得s1状态下具备Action的Q值。mainQN输出Action ,选用targetQN输出Q,获得doubleQ。八个DQN互联网把选择Action和出口Q值八个操作分隔断,Double DQN。磨练样本第2列新闻,当前reward,加doubleQ乘以衰减周全γ,获得读书目的targetQ。传入当前状态s,学习目的targetQ和事实上选拔Action,推行updateTarget函数,推行targetQN模型参数更新(缓慢向mainQN学习)。完整实现叁次磨炼进程。种种step结束,累计当前那步获取reward,更新当前景况为下一步试验做准备。假如done标志为True,直接中断episode试验。

episode内部episodeBuffer加多到myBuffer,作今后练习抽样数据集。当前episode reward增添到rList。每二十三个episode呈现平均reward值。每一千个episode或任何教练成功,保存当前模型。

始于200个episode内,完全随机Action的前一千0步内,平均能够收获reward在2紧邻,基础baseline。

教练最后episode输出,平均reward 22,十分大提高。

测算每九十几个episode平均reward,plt.plot呈现reward变化趋势。从第一千个episode伊始,reward急速升高,到第四千个episode基本达到规定的标准巅峰,后边进去平台期,提高十分的小。

    import numpy as np
    import random
    import tensorflow as tf
    import os
    %matplotlib inline
    from gridworld import gameEnv
    env = gameEnv(size=5)
    class Qnetwork():
        def __init__(self,h_size):
            #The network recieves a frame from the game, flattened into an array.
            #It then resizes it and processes it through four convolutional layers.
            self.scalarInput =  tf.placeholder(shape=[None,21168],dtype=tf.float32)
            self.imageIn = tf.reshape(self.scalarInput,shape=[-1,84,84,3])
            self.conv1 = tf.contrib.layers.convolution2d( 
                inputs=self.imageIn,num_outputs=32,kernel_size=[8,8],stride=[4,4],padding='VALID', biases_initializer=None)
            self.conv2 = tf.contrib.layers.convolution2d( 
                inputs=self.conv1,num_outputs=64,kernel_size=[4,4],stride=[2,2],padding='VALID', biases_initializer=None)
            self.conv3 = tf.contrib.layers.convolution2d( 
                inputs=self.conv2,num_outputs=64,kernel_size=[3,3],stride=[1,1],padding='VALID', biases_initializer=None)
            self.conv4 = tf.contrib.layers.convolution2d( 
                inputs=self.conv3,num_outputs=512,kernel_size=[7,7],stride=[1,1],padding='VALID', biases_initializer=None)

            #We take the output from the final convolutional layer and split it into separate advantage and value streams.
            self.streamAC,self.streamVC = tf.split(self.conv4,2,3)
            self.streamA = tf.contrib.layers.flatten(self.streamAC)
            self.streamV = tf.contrib.layers.flatten(self.streamVC)
            self.AW = tf.Variable(tf.random_normal([h_size//2,env.actions]))
            self.VW = tf.Variable(tf.random_normal([h_size//2,1]))
            self.Advantage = tf.matmul(self.streamA,self.AW)
            self.Value = tf.matmul(self.streamV,self.VW)

            #Then combine them together to get our final Q-values.
            self.Qout = self.Value + tf.subtract(self.Advantage,tf.reduce_mean(self.Advantage,reduction_indices=1,keep_dims=True))
            self.predict = tf.argmax(self.Qout,1)

            #Below we obtain the loss by taking the sum of squares difference between the target and prediction Q values.
            self.targetQ = tf.placeholder(shape=[None],dtype=tf.float32)
            self.actions = tf.placeholder(shape=[None],dtype=tf.int32)
            self.actions_onehot = tf.one_hot(self.actions,env.actions,dtype=tf.float32)

            self.Q = tf.reduce_sum(tf.multiply(self.Qout, self.actions_onehot), reduction_indices=1)

            self.td_error = tf.square(self.targetQ - self.Q)
            self.loss = tf.reduce_mean(self.td_error)
            self.trainer = tf.train.AdamOptimizer(learning_rate=0.0001)
            self.updateModel = self.trainer.minimize(self.loss)

    class experience_buffer():
        def __init__(self, buffer_size = 50000):
            self.buffer = []
            self.buffer_size = buffer_size

        def add(self,experience):
            if len(self.buffer) + len(experience) >= self.buffer_size:
                self.buffer[0:(len(experience)+len(self.buffer))-self.buffer_size] = []
            self.buffer.extend(experience)

        def sample(self,size):
            return np.reshape(np.array(random.sample(self.buffer,size)),[size,5])

    def processState(states):
        return np.reshape(states,[21168])

    def updateTargetGraph(tfVars,tau):
        total_vars = len(tfVars)
        op_holder = []
        for idx,var in enumerate(tfVars[0:total_vars//2]):
            op_holder.append(tfVars[idx+total_vars//2].assign((var.value()*tau) + ((1-tau)*tfVars[idx+total_vars//2].value())))
        return op_holder
    def updateTarget(op_holder,sess):
        for op in op_holder:
            sess.run(op)
    batch_size = 32 #How many experiences to use for each training step.
    update_freq = 4 #How often to perform a training step.
    y = .99 #Discount factor on the target Q-values
    startE = 1 #Starting chance of random action
    endE = 0.1 #Final chance of random action
    anneling_steps = 10000. #How many steps of training to reduce startE to endE.
    num_episodes = 10000#How many episodes of game environment to train network with.
    pre_train_steps = 10000 #How many steps of random actions before training begins.
    max_epLength = 50 #The max allowed length of our episode.
    load_model = False #Whether to load a saved model.
    path = "./dqn" #The path to save our model to.
    h_size = 512 #The size of the final convolutional layer before splitting it into Advantage and Value streams.
    tau = 0.001 #Rate to update target network toward primary network
    tf.reset_default_graph()
    mainQN = Qnetwork(h_size)
    targetQN = Qnetwork(h_size)
    init = tf.global_variables_initializer()
    trainables = tf.trainable_variables()
    targetOps = updateTargetGraph(trainables,tau)
    myBuffer = experience_buffer()
    #Set the rate of random action decrease. 
    e = startE
    stepDrop = (startE - endE)/anneling_steps
    #create lists to contain total rewards and steps per episode
    rList = []
    total_steps = 0
    #Make a path for our model to be saved in.
    saver = tf.train.Saver()
    if not os.path.exists(path):
        os.makedirs(path)
    #%%
    with tf.Session() as sess:
        if load_model == True:
            print('Loading Model...')
            ckpt = tf.train.get_checkpoint_state(path)
            saver.restore(sess,ckpt.model_checkpoint_path)
        sess.run(init)
        updateTarget(targetOps,sess) #Set the target network to be equal to the primary network.
        for i in range(num_episodes+1):
            episodeBuffer = experience_buffer()
            #Reset environment and get first new observation
            s = env.reset()
            s = processState(s)
            d = False
            rAll = 0
            j = 0
            #The Q-Network
            while j < max_epLength: #If the agent takes longer than 200 moves to reach either of the blocks, end the trial.
                j+=1
                #Choose an action by greedily (with e chance of random action) from the Q-network
                if np.random.rand(1) < e or total_steps < pre_train_steps:
                    a = np.random.randint(0,4)
                else:
                    a = sess.run(mainQN.predict,feed_dict={mainQN.scalarInput:[s]})[0]
                s1,r,d = env.step(a)
                s1 = processState(s1)
                total_steps += 1
                episodeBuffer.add(np.reshape(np.array([s,a,r,s1,d]),[1,5])) #Save the experience to our episode buffer.

                if total_steps > pre_train_steps:
                    if e > endE:
                        e -= stepDrop

                    if total_steps % (update_freq) == 0:
                        trainBatch = myBuffer.sample(batch_size) #Get a random batch of experiences.
                        #Below we perform the Double-DQN update to the target Q-values
                        A = sess.run(mainQN.predict,feed_dict={mainQN.scalarInput:np.vstack(trainBatch[:,3])})
                        Q = sess.run(targetQN.Qout,feed_dict={targetQN.scalarInput:np.vstack(trainBatch[:,3])})
                        doubleQ = Q[range(batch_size),A]
                        targetQ = trainBatch[:,2] + y*doubleQ
                        #Update the network with our target values.
                        _ = sess.run(mainQN.updateModel, 
                            feed_dict={mainQN.scalarInput:np.vstack(trainBatch[:,0]),mainQN.targetQ:targetQ, mainQN.actions:trainBatch[:,1]})

                        updateTarget(targetOps,sess) #Set the target network to be equal to the primary network.
                rAll += r
                s = s1

                if d == True:
                    break

            #Get all experiences from this episode and discount their rewards.
            myBuffer.add(episodeBuffer.buffer)
            rList.append(rAll)
            #Periodically save the model.
            if i>0 and i % 25 == 0:
                print('episode',i,', average reward of last 25 episode',np.mean(rList[-25:]))
            if i>0 and i % 1000 == 0:
                saver.save(sess,path+'/model-'+str(i)+'.cptk')
                print("Saved Model")            
        saver.save(sess,path+'/model-'+str(i)+'.cptk')
    #%%
    rMat = np.resize(np.array(rList),[len(rList)//100,100])
    rMean = np.average(rMat,1)
    plt.plot(rMean)

 

参照他事他说加以考察资料:
《TensorFlow实战》

迎接付费咨询(150元每小时),笔者的微信:qingxingfengzi

本文由金沙手机版下载发布于www.990.com,转载请注明出处:实现估值网络

关键词: