【強化學習】Policy Gradient算法詳解
完整代碼:https://github.com/StephenLouis/Reinforcement-Learning---Policy-Gradient
如果覺得不錯,麻煩點顆星哦!
1.算法思想
之前的文章已經介紹了Q-Learning的相關知識及其實例:【強化學習】Q-Learning 迷宮算法案例
Q-Learning 是一個基於價值value的方法,通過計算動作得分來決策的,它在確定了價值函數的基礎上採用某種策略(貪婪-epslion)的方法去選取動作。
不同於基於最優價值的算法,Policy Gradient算法更着眼於算法的長期回報。策略梯度根據目標函數的梯度方向去尋找最優策略。策略梯度算法中,整個回合結束之後纔會進行學習,所以策略梯度算法對全局過程有更好的把握。
2.Cart Pole遊戲介紹
遊戲規則
cart pole即車杆遊戲,遊戲如下,很簡單,遊戲裏面有一個小車,上有豎着一根杆子。小車需要左右移動來保持杆子豎直。如果杆子傾斜的角度大於15°,那麼遊戲結束。小車也不能移動出一個範圍(中間到兩邊各2.4個單位長度)。
action
- 左移
- 右移
state variables
- position of the cart on the track
- angle of the pole with the vertical
- cart velocity
- rate of change of the angle
分別表示車的位置,杆子的角度,車速,角度變化率
遊戲獎勵
在gym的Cart Pole環境(env)裏面,左移或者右移小車的action之後,env都會返回一個+1的reward。到達200個reward之後,遊戲也會結束
3.算法實現
3.1 算法描述如下:
3.2 定義主更新的循環
3.2.1創建環境
在寫循環之前,跟之前Q-Learning一樣,我們首先得創建環境。不過這次我們不像上次那麼自己定義環境了,手動編寫環境是一件很耗時間的事。有這麼一個庫,Open gym,他給我們提供了很多很好的模擬環境,方便我們去在這些環境中嘗試我們的算法。如下,在import gym後,幾行代碼就能很方便的創建環境。
import gym
from RL_brain import PolicyGradient
import matplotlib.pyplot as plt
DISPLAY_REWARD_THRESHOLD = 400 # 當回合總reward大於400的時候顯示模擬窗口
RENDER = False # 邊訓練邊顯示會拖慢訓練速度,我們等程序先學習一段時間
env = gym.make('CartPole-v0') # 創建 CardPole這個模擬
env.seed(1) # 創建隨機種子
env = env.unwrapped # 取消限制
print(env.action_space) #輸出可用的動作
print(env.observation_space) # 顯示可用 state 的 observation
print(env.observation_space.high) # 顯示 observation 最高值
print(env.observation_space.low) # 顯示 observation 最低值
3.2.1主循環
接下來定義主更新循環,之前的Q—Learning在回合的每一步都更新參數,但是在這裏,計算機跑完一整個回合才更新一次,故需要把這回合的transition存儲起來。
# 定義使用 Policy_gradient 的算法
RL = PolicyGradient(
n_actions=env.action_space.n,
n_features=env.observation_space.shape[0],
learning_rate=0.02,
reward_decay=0.99,
# output_graph=True,
)
for i_episode in range(3000):
observation = env.reset() # 獲取回合 i_episode 第一個 observation
while True:
if RENDER: env.render() # 刷新環境
action = RL.choose_action(observation) # 選行爲
observation_, reward, done, info = env.step(action) # 獲取下一個state
RL.store_transition(observation, action, reward) # 存儲這一回合的transition
if done: # 一個回合結束,開始更新參數
ep_rs_sum = sum(RL.ep_rs) # 統計每回合的reward
if 'running_reward' not in globals():
running_reward = ep_rs_sum
else:
running_reward = running_reward * 0.99 + ep_rs_sum * 0.01
if running_reward > DISPLAY_REWARD_THRESHOLD: RENDER = True # 判斷是否開始模擬
print("episode:", i_episode, " reward:", int(running_reward))
vt = RL.learn() # 學習參數,輸出vt
if i_episode == 0: # 畫圖
plt.plot(vt)
plt.xlabel('episode steps')
plt.ylabel('normalized state-action value')
plt.show()
break
observation = observation_
3.2 Policy Gradient代碼結構
PolicyGradient算法主結構
class PolicyGradient:
# 初始化
def __init__(self, n_actions, n_features, learning_rate=0.01, reward_decay=0.95, output_graph=False):
# 建立 policy gradient 神經網絡
def _build_net(self):
# 選行爲
def choose_action(self, observation):
# 存儲回合 transition
def store_transition(self, s, a, r):
# 學習更新參數
def learn(self, s, a, r, s_):
# 衰減回合的 reward
def _discount_and_norm_rewards(self):
初始化,定義參數
self.ep_obs,self.ep_as,self.ep_rs分別存儲了當前episode的狀態,動作和獎勵。
self.n_actions = n_actions
self.n_features = n_features
self.lr = learning_rate
self.gamma = reward_decay
self.ep_obs, self.ep_as, self.ep_rs = [], [], []
建立 policy gradient 神經網絡
def _build_net(self): # 定義了兩層的神經網絡
with tf.name_scope('inputs'): # 模型的輸入包括三部分,分別是觀察值,動作和獎勵值
self.tf_obs = tf.placeholder(tf.float32, [None, self.n_features], name="observations")
self.tf_acts = tf.placeholder(tf.int32, [None, ], name="actions_num")
self.tf_vt = tf.placeholder(tf.float32, [None, ], name="actions_value")
# fc1
layer = tf.layers.dense(
inputs=self.tf_obs,
units=10, # 輸出個數
activation=tf.nn.tanh, # 激活函數
kernel_initializer=tf.random_normal_initializer(mean=0, stddev=0.3),
bias_initializer=tf.constant_initializer(0.1),
name='fc1'
)
# fc2
all_act = tf.layers.dense(
inputs=layer,
units=self.n_actions,
activation=None,
kernel_initializer=tf.random_normal_initializer(mean=0, stddev=0.3),
bias_initializer=tf.constant_initializer(0.1),
name='fc2'
)
self.all_act_prob = tf.nn.softmax(all_act, name='act_prob') # 使用softmax激活函數將行爲轉爲概率
with tf.name_scope('loss'):
# 最大化 總體 reward (log_p * R) 就是在最小化 -(log_p * R), 而 tf 的功能裏只有最小化 loss
neg_log_prob = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=all_act, labels=self.tf_acts)
# or in this way:
# neg_log_prob = tf.reduce_sum(-tf.log(self.all_act_prob)*tf.one_hot(self.tf_acts, self.n_actions), axis=1)
loss = tf.reduce_mean(neg_log_prob * self.tf_vt) # (vt = 本reward + 衰減的未來reward) 引導參數的梯度下降
with tf.name_scope('train'):
self.train_op = tf.train.AdamOptimizer(self.lr).minimize(loss)
選行爲
如果對Q-Learning還有印象的話,Q-Learning是採用90%的貪婪策略,10%隨機搜索。而這裏,我們直接根據概率選取行爲。
def choose_action(self, observation):
# 算出所有行爲的概率
prob_weights = self.sess.run(self.all_act_prob, feed_dict={self.tf_obs: observation[np.newaxis, :]})
# 根據概率選行爲
action = np.random.choice(range(prob_weights.shape[1]), p=prob_weights.ravel())
return action
存儲回合
之前說過,policy gradient是在一個完整的episode結束後纔開始訓練的,因此,在一個episode結束前,我們要存儲這個episode所有的經驗,即狀態,動作和獎勵。
def store_transition(self, s, a, r):
self.ep_obs.append(s)
self.ep_as.append(a)
self.ep_rs.append(r)
計算整個回合的獎勵值
我們之前存儲的獎勵是當前狀態s採取動作a獲得的即時獎勵,而當前狀態s採取動作a所獲得的真實獎勵應該是即時獎勵加上未來直到episode結束的獎勵貼現和。
換一種說法,當前的獎勵很大,並不代表着這就一定是正確的方向。在圍棋對抗中,機器人會只以最後的輸贏爲評判標準,如果最後贏了,則之前每一步的都是正確的,如果最後輸了,則之前的每一步都是錯誤的。對於Policy Gradient來說,他追求的是整個回合的獎勵總和。
def _discount_and_norm_rewards(self):
# 統計一個回合的獎勵
discounted_ep_rs = np.zeros_like(self.ep_rs)
running_add = 0
for t in reversed(range(0, len(self.ep_rs))):
running_add = running_add * self.gamma + self.ep_rs[t]
discounted_ep_rs[t] = running_add
# 標準化回合獎勵值
discounted_ep_rs -= np.mean(discounted_ep_rs)
discounted_ep_rs /= np.std(discounted_ep_rs)
return discounted_ep_rs
學習
在定義好上面所有的部件之後,我們就可以編寫模型訓練函數了,這裏需要注意的是,我們餵給模型的並不是我們存儲的獎勵值,而是在經過上一步計算的獎勵貼現和。另外,我們需要在每一次訓練之後清空我們的經驗池。
# 學習更新參數
def learn(self):
# 衰減, 並標準化這回合的 reward
discounted_ep_rs_norm = self._discount_and_norm_rewards()
# train on episode
self.sess.run(self.train_op, feed_dict={
self.tf_obs: np.vstack(self.ep_obs), # shape=[None, n_obs]
self.tf_acts: np.array(self.ep_as), # shape=[None, ]
self.tf_vt: discounted_ep_rs_norm, # shape=[None, ]
})
self.ep_obs, self.ep_as, self.ep_rs = [], [], [] # 清空回合 data
return discounted_ep_rs_norm # 返回這一回合的 state-action value
以上就是我對Policy Gradient 算法實現的理解,如果不對的地方歡迎指出。