1 前言
終於到了DQN系列真正的實戰了。今天我們將一步一步的告訴大家如何用最短的代碼實現基本的DQN算法,並且完成基本的RL任務。這恐怕也將是你在網上能找到的最詳盡的DQN實戰教程,當然了,代碼也會是最短的。
在本次實戰中,我們不選擇Atari遊戲,而使用OpenAI Gym中的傳統增強學習任務之一CartPole作爲練手的任務。之所以不選擇Atari遊戲,有兩點原因:一個是訓練Atari要很久,一個是Atari的一些圖像的處理需要更多的tricks。而CartPole任務則比較簡單。
上圖就是CartPole的基本任務示意圖,基本要求就是控制下面的cart移動使連接在上面的杆保持垂直不倒。這個任務簡化到只有兩個離散動作,要麼向左用力,要麼向右用力。而state狀態就是這個杆的位置和速度。今天我們就要用DQN來解決這個問題。
2 完成前提
雖然之前的文章已經說了很多,但是爲了完成這個練習,大家還是需要一定的基礎的:
- 熟悉Python編程,能夠使用Python基本的語法
- 對Tensorflow有一定的瞭解,知道基本的使用
- 知道如何使用OpenAI Gym
- 瞭解基本的神經網絡MLP
- 理解DQN算法
看起來似乎是蠻有難度,但是如果你一步一步看過來的話,這些前提都很容易滿足。
3 開始
先上一下最後的測試效果圖:
也就是100%解決問題!鏈接:https://gym.openai.com/evaluations/eval_kBouPnRtQCezgE79s6aA5A
我們將要實現的是最基本的DQN,也就是NIPS 13版本的DQN:
面對CartPole問題,我們進一步簡化:- 無需預處理Preprocessing。也就是直接獲取觀察Observation作爲狀態state輸入。
- 只使用最基本的MLP神經網絡,而不使用卷積神經網絡。
3.1 編寫主程序
按照至上而下的編程方式,我們先寫主函數用來執行這個實驗,然後再具體編寫DQN算法實現。
先import所需的庫:
import gym
import tensorflow as tf
import numpy as np
import random
from collections import deque
編寫主函數如下:
# Hyper Parameters
ENV_NAME = 'CartPole-v0'
EPISODE = 10000 # Episode limitation
STEP = 300 # Step limitation in an episode
def main():
# initialize OpenAI Gym env and dqn agent
env = gym.make(ENV_NAME)
agent = DQN(env)
for episode in xrange(EPISODE):
# initialize task
state = env.reset()
# Train
for step in xrange(STEP):
action = agent.egreedy_action(state) # e-greedy action for train
next_state,reward,done,_ = env.step(action)
# Define reward for agent
reward_agent = -1 if done else 0.1
agent.perceive(state,action,reward,next_state,done)
state = next_state
if done:
break
if __name__ == '__main__':
main()
我們將編寫一個DQN的類,DQN的一切都將封裝在裏面。在主函數中,我們只需調用
agent.egreedy_action(state) # 獲取包含隨機的動作
agent.perceive(state,action,reward,next_state,done) # 感知信息
本質上就是一個輸出動作,一個輸入狀態。當然我們這裏輸入的是整個transition。
然後環境自己執行動作,輸出新的狀態:
next_state,reward,done,_ = env.step(action)
然後整個過程就反覆循環,一個episode結束,就再來一個。
這就是訓練的過程。
但只有訓練顯然不夠,我們還需要測試。因此,在main()的最後,我們再加上幾行的測試代碼:
# Test every 100 episodes
if episode % 100 == 0:
total_reward = 0
for i in xrange(TEST):
state = env.reset()
for j in xrange(STEP):
env.render()
action = agent.action(state) # direct action for test
state,reward,done,_ = env.step(action)
total_reward += reward
if done:
break
ave_reward = total_reward/TEST
print 'episode: ',episode,'Evaluation Average Reward:',ave_reward
if ave_reward >= 200:
break
測試中唯一的不同就是我們使用
action = agent.action(state)
來獲取動作,也就是完全沒有隨機性,只根據神經網絡來輸出,沒有探索,同時這裏也就不再perceive輸入信息來訓練。
OK,這就是基本的主函數。接下來就是實現DQN
3.2 DQN實現
3.2.1 編寫基本DQN類的結構
class DQN():
# DQN Agent
def __init__(self, env): #初始化
def create_Q_network(self): #創建Q網絡
def create_training_method(self): #創建訓練方法
def perceive(self,state,action,reward,next_state,done): #感知存儲信息
def train_Q_network(self): #訓練網絡
def egreedy_action(self,state): #輸出帶隨機的動作
def action(self,state): #輸出動作
主要只需要以上幾個函數。上面已經註釋得很清楚,這裏不再加以解釋。
我們知道,我們的DQN一個很重要的功能就是要能存儲數據,然後在訓練的時候minibatch出來。所以,我們需要構造一個存儲機制。這裏使用deque來實現。
self.replay_buffer = deque()
3.2.2 初始化
def __init__(self, env):
# init experience replay
self.replay_buffer = deque()
# init some parameters
self.time_step = 0
self.epsilon = INITIAL_EPSILON
self.state_dim = env.observation_space.shape[0]
self.action_dim = env.action_space.n
self.create_Q_network()
self.create_training_method()
# Init session
self.session = tf.InteractiveSession()
self.session.run(tf.initialize_all_variables())
這裏要注意一點就是egreedy的epsilon是不斷變小的,也就是隨機性不斷變小。怎麼理解呢?就是一開始需要更多的探索,所以動作偏隨機,慢慢的我們需要動作能夠有效,因此減少隨機。
3.2.3 創建Q網絡
我們這裏創建最基本的MLP,中間層設置爲20:
def create_Q_network(self):
# network weights
W1 = self.weight_variable([self.state_dim,20])
b1 = self.bias_variable([20])
W2 = self.weight_variable([20,self.action_dim])
b2 = self.bias_variable([self.action_dim])
# input layer
self.state_input = tf.placeholder("float",[None,self.state_dim])
# hidden layers
h_layer = tf.nn.relu(tf.matmul(self.state_input,W1) + b1)
# Q Value layer
self.Q_value = tf.matmul(h_layer,W2) + b2
def weight_variable(self,shape):
initial = tf.truncated_normal(shape)
return tf.Variable(initial)
def bias_variable(self,shape):
initial = tf.constant(0.01, shape = shape)
return tf.Variable(initial)
只有一個隱層,然後使用relu非線性單元。相信對MLP有了解的知友看上面的代碼很easy!要注意的是我們state 輸入的格式,因爲使用minibatch,所以格式是[None,state_dim]
3.2.4 編寫perceive函數
def perceive(self,state,action,reward,next_state,done):
one_hot_action = np.zeros(self.action_dim)
one_hot_action[action] = 1
self.replay_buffer.append((state,one_hot_action,reward,next_state,done))
if len(self.replay_buffer) > REPLAY_SIZE:
self.replay_buffer.popleft()
if len(self.replay_buffer) > BATCH_SIZE:
self.train_Q_network()
這裏需要注意的一點就是動作格式的轉換。我們在神經網絡中使用的是one hot key的形式,而在OpenAI Gym中則使用單值。什麼意思呢?比如我們輸出動作是1,那麼對應的one hot形式就是[0,1],如果輸出動作是0,那麼one hot 形式就是[1,0]。這樣做的目的是爲了之後更好的進行計算。
在perceive中一個最主要的事情就是存儲。然後根據情況進行train。這裏我們要求只要存儲的數據大於Batch的大小就開始訓練。
3.2.5 編寫action輸出函數
def egreedy_action(self,state):
Q_value = self.Q_value.eval(feed_dict = {
self.state_input:[state]
})[0]
if random.random() <= self.epsilon:
return random.randint(0,self.action_dim - 1)
else:
return np.argmax(Q_value)
self.epsilon -= (INITIAL_EPSILON - FINAL_EPSILON)/10000
def action(self,state):
return np.argmax(self.Q_value.eval(feed_dict = {
self.state_input:[state]
})[0])
區別之前已經說過,一個是根據情況輸出隨機動作,一個是根據神經網絡輸出。由於神經網絡輸出的是每一個動作的Q值,因此我們選擇最大的那個Q值對應的動作輸出。
3.2.6 編寫training method函數
def create_training_method(self):
self.action_input = tf.placeholder("float",[None,self.action_dim]) # one hot presentation
self.y_input = tf.placeholder("float",[None])
Q_action = tf.reduce_sum(tf.mul(self.Q_value,self.action_input),reduction_indices = 1)
self.cost = tf.reduce_mean(tf.square(self.y_input - Q_action))
self.optimizer = tf.train.AdamOptimizer(0.0001).minimize(self.cost)
這裏的y_input就是target Q值。我們這裏採用Adam優化器,其實隨便選擇一個必然SGD,RMSProp都是可以的。可能比較不好理解的就是Q值的計算。這裏大家記住動作輸入是one hot key的形式,因此將Q_value和action_input向量相乘得到的就是這個動作對應的Q_value。然後用reduce_sum將數據維度壓成一維。
3.2.7 編寫training函數
def train_Q_network(self):
self.time_step += 1
# Step 1: obtain random minibatch from replay memory
minibatch = random.sample(self.replay_buffer,BATCH_SIZE)
state_batch = [data[0] for data in minibatch]
action_batch = [data[1] for data in minibatch]
reward_batch = [data[2] for data in minibatch]
next_state_batch = [data[3] for data in minibatch]
# Step 2: calculate y
y_batch = []
Q_value_batch = self.Q_value.eval(feed_dict={self.state_input:next_state_batch})
for i in range(0,BATCH_SIZE):
done = minibatch[i][4]
if done:
y_batch.append(reward_batch[i])
else :
y_batch.append(reward_batch[i] + GAMMA * np.max(Q_value_batch[i]))
self.optimizer.run(feed_dict={
self.y_input:y_batch,
self.action_input:action_batch,
self.state_input:state_batch
})
首先就是進行minibatch的工作,然後根據batch計算y_batch。最後就是用optimizer進行優化。
4 整個程序
以上便是編寫DQN的全過程了。是不是很簡單呢,下面再把整個程序放出如下:
import gym
import tensorflow as tf
import numpy as np
import random
from collections import deque
# Hyper Parameters for DQN
GAMMA = 0.9 # discount factor for target Q
INITIAL_EPSILON = 0.5 # starting value of epsilon
FINAL_EPSILON = 0.01 # final value of epsilon
REPLAY_SIZE = 10000 # experience replay buffer size
BATCH_SIZE = 32 # size of minibatch
class DQN():
# DQN Agent
def __init__(self, env):
# init experience replay
self.replay_buffer = deque()
# init some parameters
self.time_step = 0
self.epsilon = INITIAL_EPSILON
self.state_dim = env.observation_space.shape[0]
self.action_dim = env.action_space.n
self.create_Q_network()
self.create_training_method()
# Init session
self.session = tf.InteractiveSession()
self.session.run(tf.initialize_all_variables())
def create_Q_network(self):
# network weights
W1 = self.weight_variable([self.state_dim,20])
b1 = self.bias_variable([20])
W2 = self.weight_variable([20,self.action_dim])
b2 = self.bias_variable([self.action_dim])
# input layer
self.state_input = tf.placeholder("float",[None,self.state_dim])
# hidden layers
h_layer = tf.nn.relu(tf.matmul(self.state_input,W1) + b1)
# Q Value layer
self.Q_value = tf.matmul(h_layer,W2) + b2
def create_training_method(self):
self.action_input = tf.placeholder("float",[None,self.action_dim]) # one hot presentation
self.y_input = tf.placeholder("float",[None])
Q_action = tf.reduce_sum(tf.mul(self.Q_value,self.action_input),reduction_indices = 1)
self.cost = tf.reduce_mean(tf.square(self.y_input - Q_action))
self.optimizer = tf.train.AdamOptimizer(0.0001).minimize(self.cost)
def perceive(self,state,action,reward,next_state,done):
one_hot_action = np.zeros(self.action_dim)
one_hot_action[action] = 1
self.replay_buffer.append((state,one_hot_action,reward,next_state,done))
if len(self.replay_buffer) > REPLAY_SIZE:
self.replay_buffer.popleft()
if len(self.replay_buffer) > BATCH_SIZE:
self.train_Q_network()
def train_Q_network(self):
self.time_step += 1
# Step 1: obtain random minibatch from replay memory
minibatch = random.sample(self.replay_buffer,BATCH_SIZE)
state_batch = [data[0] for data in minibatch]
action_batch = [data[1] for data in minibatch]
reward_batch = [data[2] for data in minibatch]
next_state_batch = [data[3] for data in minibatch]
# Step 2: calculate y
y_batch = []
Q_value_batch = self.Q_value.eval(feed_dict={self.state_input:next_state_batch})
for i in range(0,BATCH_SIZE):
done = minibatch[i][4]
if done:
y_batch.append(reward_batch[i])
else :
y_batch.append(reward_batch[i] + GAMMA * np.max(Q_value_batch[i]))
self.optimizer.run(feed_dict={
self.y_input:y_batch,
self.action_input:action_batch,
self.state_input:state_batch
})
def egreedy_action(self,state):
Q_value = self.Q_value.eval(feed_dict = {
self.state_input:[state]
})[0]
if random.random() <= self.epsilon:
return random.randint(0,self.action_dim - 1)
else:
return np.argmax(Q_value)
self.epsilon -= (INITIAL_EPSILON - FINAL_EPSILON)/10000
def action(self,state):
return np.argmax(self.Q_value.eval(feed_dict = {
self.state_input:[state]
})[0])
def weight_variable(self,shape):
initial = tf.truncated_normal(shape)
return tf.Variable(initial)
def bias_variable(self,shape):
initial = tf.constant(0.01, shape = shape)
return tf.Variable(initial)
# ---------------------------------------------------------
# Hyper Parameters
ENV_NAME = 'CartPole-v0'
EPISODE = 10000 # Episode limitation
STEP = 300 # Step limitation in an episode
TEST = 10 # The number of experiment test every 100 episode
def main():
# initialize OpenAI Gym env and dqn agent
env = gym.make(ENV_NAME)
agent = DQN(env)
for episode in xrange(EPISODE):
# initialize task
state = env.reset()
# Train
for step in xrange(STEP):
action = agent.egreedy_action(state) # e-greedy action for train
next_state,reward,done,_ = env.step(action)
# Define reward for agent
reward_agent = -1 if done else 0.1
agent.perceive(state,action,reward,next_state,done)
state = next_state
if done:
break
# Test every 100 episodes
if episode % 100 == 0:
total_reward = 0
for i in xrange(TEST):
state = env.reset()
for j in xrange(STEP):
env.render()
action = agent.action(state) # direct action for test
state,reward,done,_ = env.step(action)
total_reward += reward
if done:
break
ave_reward = total_reward/TEST
print 'episode: ',episode,'Evaluation Average Reward:',ave_reward
if ave_reward >= 200:
break
if __name__ == '__main__':
main()
上面的代碼就153行,我在github上加了網絡的存儲以及訓練曲線的顯示,代碼200行左右!
5 小結
分析代碼不是一件容易的事,這裏我主要就是介紹編寫的流程。具體代碼還需要大家去理解吧!相信大家如果看懂了這150行代碼,也就很清楚的知道DQN是怎麼回事了。謝謝大家!