当前位置: 永利皇宫手机版网址 > www.304.com > 正文

学习笔记TF038:实现估值网络

时间:2019-11-21 03:44来源:www.304.com
Q-Learning,学习Action对应期望值(ExpectedUtility)。1988年,Watkins建议。收敛性,1991年,Watkins和Dayan合营认证。学习期望价值,从近些日子一步到具有继续手续,总希望获取最大价值(Q值、V

Q-Learning,学习Action对应期望值(Expected Utility)。1988年,Watkins建议。收敛性,1991年,Watkins和Dayan合营认证。学习期望价值,从近些日子一步到具有继续手续,总希望获取最大价值(Q值、Value)。Action->Q函数,最棒计谋,在每一个state下,接纳Q值最高的Action。不信赖景况模型。有限马尔科夫决策进程(马克ov Dectision Process) ,Q-Learning被证实最终得以找到最优政策。

学习笔记TF038:实现估值网络。Q-Learning目的,求解函数Q(st,at),依据当下境遇气象,估计Action期待价值。Q-Learning练习模型,以(状态、行为、奖励、下意气风发情景)构成元组(st,at,rt+1,st+1)样品操练,st当前情景,at当前场合下施行action,rt+1施行Action后取获奖励,st+1下一气象,(当前气象,行动,奖赏,下后生可畏景观)。特征(st,at)。学习指标(期待价值) rt+1+γ·maxaQ(st+1,a),当前Action获得Reward,加下一步可收获最大梦想价值,当前事态行动表彰,加下生龙活虎状态行动最大希望价值。学习指标包涵Q-Learning函数本人,递归求解。下一步可获最大梦想价值乘γ(衰减全面discount factor),未来奖赏的求学权重。discount factor 0,模型学习不到任何以往表彰音信,变短视,只关注眼下补益。discount factor >= 1,算法恐怕无法磨灭,期待价值不断累计未有衰减(discount),期待价值发散。discount factor平时比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),向学习指标(当前拿走Reward加下一步可拿到最大希望价值),按比较小学习速率α学习,拿到新Q-Learning函数Qnew(st,at)。学习速率决定新拿到样板消息覆盖率前左右到音信比率,经常设非常的小值,保障学习进程牢固,确认保障最终收敛性。Q-Learning必要初步值Q0,相比较高初始值,鼓劲模型多探究。

学习Q-Learning模型用神经互连网,拿到模型是评估价值互联网。用相比较深的神经网络,正是DQN。GoogleDeepMind,《Nature》杂文,《Human-level control through deep reinforcement learning》提议。DeepMind用DQN创制达到规定的规范人类行家水平玩Atari2600类别游戏Agent。

state of the art DQN Trick。第一个Trick。DQN引进卷积层。模型通过Atari游戏录制图像明白情形新闻并学习战略。DQN必要精通选择图像,具备图像识别技术。卷积神经网络,利用可领取空间组织消息卷积层收取特征。卷积层提取图像中重大目的特征传给后层做分类、回归。DQN用卷积层做加强学习练习,依照条件图像输出决策。

其次个Trick。Experience Replay。深度学习须要大批量样板,守旧Q-Learning online update方法(逐意气风发对新样板学习)不合乎DQN。增大样品,两个epoch操练,图像反复使用。Experience Replay,积攒Agent Experience样品,每回锻练随机收取部分样品供互联网学习。稳定变成学习职务,幸免短视只学习最新接触样品,综合每每使用过往多量样书学习。制造积累Experience缓存buffer,储存一定量较新样板。体积满了,用新样品替换最旧样品,保障大部分样品相近可能率被抽到。不替换旧样板,练习进度被抽到可能率永久比新样品高超级多。每回必要训练样板,直接从buffer随机抽出一定量给DQN练习,保持样板高利用率,让模型学习到较新样板。

其五个Trick。用第四个DQN网络援救训练,target DQN,扶植总计目标Q值,提供就学指标公式里的maxaQ(st+1,a)。四个网络,三个成立学习目的,三个实在演习,让Q-Learning演习指标保持安澜。深化学习 Q-Learning学习目的每一次更动,学习目的总部是模型本人输出,每一回换代模型参数会引致学习指标转移,更新往往幅度大,练习进程会这三个动荡、失控,DQN练习会深陷指标Q值与测度Q值反馈循环(陷入颠簸发散,难消失)。须要安静target DQN扶植网络总结目的Q值。target DQN,低频率、缓慢学习,输出指标Q值波动非常的小,减小训练进度影响。

第二个Trick。Double DQN。DeepMind 《Deep Reinforcement Learning with Double Q-Learning》。古板DQN高估Action Q值,高估不均匀,招致次优Action被高估超越最优Action。target DQN 担任生成目标Q值,头阵生Q(st+1,a),再通过maxa采纳最大Q值。Double DQN,在主DQN上经过最大Q值选择Action,再赢得Action在target DQN Q值。主网选用Action,targetDQN生成Action Q值。被增选Q值,不必然总是最大,制止被高估次优Action总是超越最优Action,引致发现不了真正最佳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。Google 《Dueling Network Architectures for Deep Reinforcement Learning》。Dueling DQN,Q值函数Q(st,at)拆分,黄金时代部分静态碰着气象有所价值V(st),Value;另一片段动态选取Action额外带给价值A(at),Advantage。公式,Q(st,at)=V(st)+A(at)。互连网独家总括情形Value和筛选Action Advantage。Advantage,Action与别的Action相比,零均值。互连网最终,不再直接输出Action数量Q值,输出一个Value,及Action数量 Advantage值。V值分别加到每个Advantage值上,得最后结果。让DQN学习指标更简明,假设当先前时代待价值首要由环情调整,Value值大,所有Advantage波动非常小;假使期望价值主要由Action决定,Value值小,Advantage波动大。分解让学习指标更平稳、准确,DQN对环情推测技巧更加强。

达成带Trick DQN。任务情形GridWorld导航类水言纟工。GridWorld包罗二个hero,4个goal,2个fire。调节hero移动,每一回向上、下、左、右方向运动一步,多触碰goal(奖赏值1),避开fire(嘉勉值-1)。游戏指标,限度步数内得到最多分数。Agent 直接通过GridWorld图像学习决定hero移动最优政策。

成立GridWorld职务景况。载入注重库,itertools迭代操作,scipy.misc、matplotlib.pyplot绘图,练习时间长,os准时积累模型文件。

创设意况内物体对象class。意况物体属性,coordinates(x,y坐标)、size(尺寸)、intensity(亮度值)、channel(EnclaveGB颜色通道)、reward(奖赏值)、name(名称)。

创立GridWorld景况class,初阶化方法只传入参数境况size。情况长、宽为输入size,景况Action Space设4,起首化意况物体对象列表。self.reset()方法重新初始化景况,拿到早先observation(GridWorld图像),plt.imshow体现observation。

概念蒙受reset方法。成立全数GridWorld物体,1个hero(客户调节目标)、4个goal(reward 1)、2个fire(reward -1),增多到物体对象列表self.objects。self.newPosition()创制物体地方,随机选用未有被占领新岗位。物有物体size、intensity 1,hero channel 2(玛瑙红),goal channel 1(黑褐),fire channel 0(浅灰)。self.renderEnv()绘制GridWorld图像,state。

达成活动大侠剧中人物方法,传入值0、1、2、3多个数字,分别代表上、下、左、右。函数根据输入操作英豪移动。假如移动该方向会变成硬汉出界,不交易会开任何活动。

概念newPosition方法,选取叁个跟现存物体不冲突地方。itertools.product方法得到多少个变量全部结成,创设情状size允许具备地点集结points,获取近期具备物体地点集结currentPositions,从points去掉currentPositions,剩下可用地方。np.random.choice随机抽出一个可用地方重回。

学习笔记TF038:实现估值网络。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,借使物体和坐标与hero完全意气风发致,判断触碰。依据触碰物体销毁,self.newPosition()方法在自便地方再度生成物体,重回物体reward值(goal 1,fire -1)。

始建长宛size+2、颜色通道数 3 图片。伊始值全1,代表全绿蓝。最外面内部像素颜色值全体赋0,代表青黄。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。

学习笔记TF038:实现估值网络。概念GridWorld境况进行一步Action方法。输入参数Action,self.moveChart(action)移动hero地方,self.checkGoal()检查评定hero是还是不是触碰物体,获得reward、done标识。self.renderEnv获取意况图像state,重回state、reward、done。

调用gameEnv类开首化方法,设置size 5,创立5x5大小GridWorld境况,每一次成立GridWorld境遇随机变化。小尺寸情形相对轻巧学习,大尺寸较难,训练时间更加长。

规划DQN(Deep Q-Network)互联网。使用卷积层,可以直接从情况原始像素学习攻略。输入scalarInput,扁平化长为84x84x3=21168向量,复苏成[-1,84,84,3]尺寸图片ImageIn。tf.contrib.layers.convolution2d开立第一个卷积层,卷积核尺寸8x8,步长4x4,输出通道数(filter数量)32,padding模型VALID,bias初阶化器空。用4x4上升的幅度和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,空间尺寸只允许在三个岗位卷积,,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带给的价值)和Value Function(景况自身价值)。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。创设streamA和streamV线性全连接层参数AW和VW。tf.random_normal初叶化权重,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针对境遇统生机勃勃的,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。总计目的Q值,action由主DQN接受,Q值由帮忙target DQN生成。总计预测Q值,scalar方式actions转onehot编码格局,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总结targetQ和Q均方相对误差,学习速率1e-4 Adam优化器优化预测Q值和对象Q值偏差。

实现Experience Replay策略。定义experience_buffer class。初阶化定义buffer_size存款和储蓄样板最大体量,创设buffer列表。定义向经buffer添法郎素方法。要是超越buffer最大体积,清空最先样品,列表末尾增多新成分。定义样板抽样形式,用random.sample()函数随机抽出一定数额样品。

概念84x84x3 states扁平化 1维向量函数processState,方便前边聚成堆样板。

updateTargetGraph函数,更新target DQN模型参数(主DQN用DQN class self.updateModel方法创新模型参数)。输入变量tfVars,TensorFlow Graph全体参数。tau,target DQN向主DQN学习的速率。函数updateTargetGraph取tfVars前百分之五十参数,主DQN模型参数。再令扶助targetDQN参数朝向主DQN参数前行非常的小比例(tau,0.001),target DQN缓慢学习主DQN。演习时,指标Q值不能够在三遍迭代间波动太大,演习特别动荡、失控,陷入指标Q值和远望Q值反馈循环。要求稳定指标Q值练习网络,缓慢学习target DQN互联网出口指标Q值,主网络优化目的Q值和展望Q值间loss,target DQN跟随主DQN缓慢学习。函数updateTargetGraph创设订正target DQN模型参数操作,函数updateTarget实行操作。

DQN互连网操练进度参数。batch_size,每一回从experience buffer获取样品数,32。更新频率update_freq,每间距多少step试行贰遍模型参数更新,4。Q值衰减周全(discount factor)γ,0.99。startE初阶推行随机Action可能率。endE最后施行随机Action可能率。anneling_steps从上马随机可能率减低到最终随机可能率所需步数。num_episodes总共多少次GridWorld情形试验。pre_train_steps正式用DQN采取Action前开展多少步随机Action测量试验。max_epLength各种episode举办多少步Action。load_model是还是不是读取以前演练模型。path模型储存路线。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类伊始化mainQN和扶持targetQN。开端化全体模型参数。trainables获取拥有可演练参数。updateTargetGraph成立立异target DQN模型参数操作。

experience_buffer创制experience replay class,设置当前随机Action可能率e,计算e每一步衰减值stepDrop。先河化积攒每一种episode的reward列表rList,总步数total_steps。创造模型训练保存器(Saver)检查保存目录是还是不是存在。

创建默许Session,假设load_model标记True,检查模型文件路线checkpoint,读取载入已保存模型。推行参数起头化操作,推行更新targetQN模型参数操作。创造GridWorld试验循环,创立每种episode内部experience_buffer,内部buffer不插足当前迭代替操练练,训练只利用早先episode样品。早先化境况得第叁个条件消息s,processState()函数扁平化。开端化暗许done标识d、episode内总reward值rAll、episode内步数j。

创建内层循环,每一趟迭代施行Action。总步数紧跟于pre_train_steps,强制用随机Action,只从随机Action学习,不加强进度。达到pre_train_steps,保留十分小概率随机筛选Action。不随机接纳Action,传入当前状态s给主DQN,预测获得相应推行Action。env.step()施行一步Action,获得接下来事态s1、reward、done标识。processState对s1扁平化管理,s、a、r、s1、d传入episodeBuffer存款和储蓄。

总步数超越pre_train_steps,持续回降随机选拔Action几率e,直到最低值endE。每当总步数达到update_freq整数部,举办三回练习,模型参数更新。从myBuffer中sample出一个batch_size样品。训练样品第3列新闻,下生龙活虎状态s1,传入mainQN,施行main.predict,获得主模型选择Action。s1传来帮助targetQN,获得s1状态下具有Action的Q值。mainQN输出Action ,选取targetQN输出Q,得到doubleQ。五个DQN互连网把选取Action和输出Q值多个操作分隔离,Double DQN。操练样板第2列音信,当前reward,加doubleQ乘以衰减周到γ,得到读书目的targetQ。传入当前状态s,学习指标targetQ和实际应用Action,实践updateTarget函数,推行targetQN模型参数更新(缓慢向mainQN学习)。完整达成一回锻炼过程。各样step停止,累积当前这步获取reward,更新当前情景为下一步试验做希图。如果done标识为True,直接中断episode试验。

episode内部episodeBuffer增加到myBuffer,作现在练习抽样数据集。当前episode reward加多到rList。每二十多个episode突显平均reward值。每1000个episode或任何教练成功,保存当前模型。

发端200个episode内,完全随机Action的前10000步内,平均能够拿到reward在2紧邻,底子baseline。

教练最终episode输出,平均reward 22,十分的大进步。

算算每九二十一个episode平均reward,plt.plot显示reward变化趋向。从第1000个episode伊始,reward火速进步,到第4000个episode基本达到规定的标准尖峰,前面进去平台期,提高相当小。

    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查资料:
《TensorFlow实战》

招待付费咨询(150元每小时),小编的Wechat:qingxingfengzi

编辑:www.304.com 本文来源:学习笔记TF038:实现估值网络

关键词: