快乐的强化学习2——DQN及其实现方法

超、凢脫俗 2021-12-04 07:21 755阅读 0赞

### 快乐的强化学习2——DQN及其实现方法 ###

*  学习前言
 *   *  简介
     *  DQN算法的实现
     *  具体实现代码

# 学习前言 #

刚刚从大学毕业，近来闲来无事，开始了机器学习的旅程，深度学习是机器学习的重要一环，其可以使得机器自我尝试，并通过结果进行学习。  
![在这里插入图片描述][20190723165901974.jpg_pic_center]  
在机器学习的过程中，我自网上了解到大神morvanzhou，一个从土木工程转向了计算机的“聪明绝顶”的、英语特好的男人。  
[morvanzhou的python个人主页][morvanzhou_python]，请有兴趣的同学关注大神morvanzhou的python教程。

## 简介 ##

DQN是一种结合了深度学习与强化学习的一种学习方法，它以强化学习Q-Learning为基础，结合tensorflow的神经网络。强化学习Q-Learning是一种非常优秀的算法，但是由于现在许多问题的环境非常复杂，如果把每一种环境都单独列出来，整个Q表会非常大，且更新的时候检索时间较长。**所以如果可以不建立Q表，只通过每个环境的特点就可以得出整个环境的Q-Value，那么Q表庞大冗杂的问题就迎刃而解了。**  
其与常规的强化学习Q-Learning最大的不同就是，DQN在初始化的时候不再生成一个完整的Q-Table，**每一个观测环境的Q值都是通过神经网络生成的，即通过输入当前环境的特征Features来得到当前环境每个动作的Q-Value，并且以这个Q-Value基准进行动作选择。**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA_size_16_color_FFFFFF_t_70]  
DQN一共具有两个神经网络，**一个是用于计算q\_predict，一个是用于计算q\_next的。用于计算q\_predict的神经网络，我们简称其为Net\_Pre，预测结果被称作Q估计；用于计算q\_next我们简称其为Net\_Next。预测结果被加工后称作Q现实**  
DQN的更新准则与Q-Learning的更新准则类似，都是通过**所处的当前环境对各个动作的预测得分**，**下一步的环境的实际情况**进行得分更新的，但是DQN更新的不再是Q表，而是通过**所处的当前环境对各个动作的预测得分**和**下一步的环境的实际情况**二者的误差更新**Net\_Pre和Net\_Next的参数**。  
如果大家对Q-Learning还有疑惑，请大家关注我的另一篇博文https://blog.csdn.net/weixin\_44791964/article/details/95410737

## DQN算法的实现 ##

接下来我将以小男孩取得玩具为例子，讲述DQN算法的执行过程。  
![小男孩取得玩具][20190713104623618.png]  
在一开始的时候假设小男孩不知道玩具在哪里，Net\_Pre和Net\_Next都是随机生成的，在进行第一步动作前，小男孩**通过Net\_Pre获得其对于当前环境每一个动作的得分的预测值**，并在其中优先选择得分最高的一个动作作为下一步的行为Action，并且通过该Action得到下一步的环境。

# 刷新环境
    env.render()
    # DQN 根据观测值选择行为
    action = RL.choose_action(observation)
    # 环境根据行为给出下一个 state, reward, 是否终止
    observation_, reward, done = env.step(action)

在获得**所处的当前环境对各个动作的预测得分**和**下一步的环境的实际情况**的时候，常规的Q-Learning便可以通过：

self.q_table.loc[observation_now, action] += self.lr * (q_target - q_predict)

进行Q-Table更新，但是DQN不一样，DQN会将这一步按照一定的格式存入记忆，当形成一定规模的时候再进行Net\_Pre的更新。在python中，其表示为：

# 控制学习起始时间和频率 (先累积一些记忆再开始学习)
    if (step > 200) and (step % 5 == 0):
                RL.learn()

可能同学们会很奇怪，**为什么是进行Net\_Pre的更新而不是进行Net\_Pre和Net\_Next的更新**，其实是因为通过Net\_Pre得到的Q\_predict的是**人物对当前环境的认知**，而通过Net\_Next通过一定处理之后获得的Q\_target是**下个环境的实际得分**，我们只能通过**下个环境的实际得分**来更新**人物对当前环境的认知**。  
这是否意味着**Net\_Next**不需要更新呢？答案是否定的，因为当前的**Net\_Next**都是随机生成的，其并没有考虑地图上的一个重要信息，就是每个环境的reward。当小男孩掉下悬崖的时候，他的得分是-1；当小男孩拿到玩具的时候，他的得分是1。因此，每当进行一定次数的Net\_Pre的更新后，就要将**最新的Net\_Pre的参数赋值给Net\_Next**。  
在python中，其表示为：

if self.learn_step_counter % self.replace_target_iter == 0:
          self.sess.run(self.replace_target_op)
          print('\ntarget_params_replaced\n')

那么Net\_Pre的参数又是如何更新的呢，通过Net\_Pre得到的Q\_predict的是**人物对当前环境的认知**，而通过Net\_Next通过一定处理之后获得的Q\_target是**下个环境的实际得分**，那么Q\_target-Q\_predict得到便是**实际**与**预测**之间的差距，即**Q现实**与**Q估计**的差距，我们将其作为cost传入tensorflow，便可以使用一定的优化器缩小cost，实现Net\_Pre神经网络的训练。接下来让我们看看学习过程是如何实现的。

def learn(self):
        # 确认是否到达了需要进行两个神经网络的参数赋值的代数，是则赋值
        if self.learn_step_counter % self.replace_target_iter == 0:
        	self.sess.run(self.replace_target_op)
            print('\ntarget_params_replaced\n')
                
        # 根据当前memory当中的size进行提取，在没有到达memory_size时，根据当前的memory里的数量进行提取，提取的数量都是batchsize
        if self.memory_counter > self.memory_size:
            sample_index = np.random.choice(self.memory_size, size=self.batch_size)
        else:                                           
            sample_index = np.random.choice(self.memory_counter, size=self.batch_size)
        
        #根据sample_index提取出batch
        batch_memory = self.memory[sample_index, :]
    	
    	#通过神经网络获得q_next和q_eval。
        q_next, q_eval = self.sess.run(
            [self.q_next, self.q_eval],
            feed_dict={
        
                self.s_: batch_memory[:, -self.n_features:], 
                self.s: batch_memory[:, :self.n_features], 
            })
    
        #该步主要是为了获得q_next, q_eval的格式
        q_target = q_eval.copy()
    
        batch_index = np.arange(self.batch_size, dtype=np.int32)
        
        #取出eval的每一个行为
        eval_act_index = batch_memory[:, self.n_features].astype(int)
        #取出eval的每一个得分
        reward = batch_memory[:, self.n_features + 1]
    
        #取出每一行的最大值、取出每个环境对应的最大得分
        q_target[batch_index, eval_act_index] = reward + self.gamma * np.max(q_next, axis=1)
    
        #利用q_target和q_predict训练
        _, self.cost = self.sess.run([self._train_op, self.loss],
                                      feed_dict={
        self.s: batch_memory[:, :self.n_features],
                                      self.q_target: q_target})
        self.cost_his.append(self.cost)
    
        #如果存在epsilon_increment则改变epsilon的值
        self.epsilon = self.epsilon + self.epsilon_increment if self.epsilon < self.epsilon_max else self.epsilon_max
        self.learn_step_counter += 1

可能大家看完这个还是一头雾水，现在，我将以伪代码的方式，将整个DQN执行一遍给大家看一下。

初始化测试环境对象
    初始化DQN的大脑对象
    step = 0
    for episode in range(TIMES):
        初始化环境
        while(1):
        	#刷新环境
        	env.render()
    		#根据观测值选择行为
    		action = RL.choose_action(observation)
        	#获得环境下一步行为，判断下一步环境是否终止, 获得下一步环境的得分。
        	observation_, reward, done = env.step(action)
        	#调用存储函数存储记忆
        	RL.store_transition(observation, action, reward, observation_)
        	#先累积一些记忆再开始学习
        	if (step > 200) and (step % 5 == 0):
            	RL.learn()
        	#将下一个 state_ 变为 下次循环的 state
            #如果终止, 就跳出循环
            if done:
            	break
            step += 1   # 总步数

在整个函数的执行过程中DQN的大脑包括以下部分，其对应的功能为

<table> 
 <thead> 
  <tr> 
   <th align="center">模块名称</th> 
   <th align="center">作用/功能</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td align="center">初始化</td> 
   <td align="center">初始化学习率、可执行动作、全局学习步数、记忆库大小、每次训练的batch大小、两个神经网络等参数</td> 
  </tr> 
  <tr> 
   <td align="center">动作选择</td> 
   <td align="center">根据当前所处的环境特征和Net_Pre获得当前环境各个动作的Q_Value，并进行动作选择</td> 
  </tr> 
  <tr> 
   <td align="center">学习</td> 
   <td align="center">通过Net_Next获得q_next，再通过一定运算得到q_target，根据q_predict和q_target进行网络更新</td> 
  </tr> 
  <tr> 
   <td align="center">记忆存储</td> 
   <td align="center">按照一定格式存储 当前环境特点、下一步环境特点、得分reward、当前环境的动作。</td> 
  </tr> 
 </tbody> 
</table>

## 具体实现代码 ##

具体的实现代码分为三个部分，这是第一部分，主函数：

from maze_env import Maze
    from RL_brain import DeepQNetwork
    def run_maze():
        step = 0    # 用来控制什么时候学习
        for episode in range(300):
            # 初始化环境
            observation = env.reset()
    
            while True:
                # 刷新环境
                env.render()
    
                # DQN 根据观测值选择行为
                action = RL.choose_action(observation)
    
                # 环境根据行为给出下一个 state, reward, 是否终止
                observation_, reward, done = env.step(action)
    
                # DQN 存储记忆
                RL.store_transition(observation, action, reward, observation_)
    
                # 控制学习起始时间和频率 (先累积一些记忆再开始学习)
                if (step > 200) and (step % 5 == 0):
                    RL.learn()
    
                # 将下一个 state_ 变为 下次循环的 state
                observation = observation_
    
                # 如果终止, 就跳出循环
                if done:
                    break
                step += 1   # 总步数
    
        # end of game
        print('game over')
        env.destroy()
    
    
    if __name__ == "__main__":
        env = Maze()
        RL = DeepQNetwork(env.n_actions, env.n_features,
                          learning_rate=0.01,
                          reward_decay=0.9,
                          e_greedy=0.9,
                          replace_target_iter=200,  # 每 200 步替换一次 target_net 的参数
                          memory_size=2000, # 记忆上限
                          # output_graph=True   # 是否输出 tensorboard 文件
                          )
        env.after(100, run_maze)
        env.mainloop()
        RL.plot_cost()  # 观看神经网络的误差曲线

第二部分是DQN的大脑：

import numpy as np
    import pandas as pd
    import tensorflow as tf
    
    np.random.seed(1)
    tf.set_random_seed(1)
    
    
    # Deep Q Network off-policy
    class DeepQNetwork:
        def __init__(
                self,
                n_actions,
                n_features,
                learning_rate=0.01,
                reward_decay=0.9,
                e_greedy=0.9,
                replace_target_iter=300,
                memory_size=500,
                batch_size=32,
                e_greedy_increment=None,
                output_graph=False,
        ):
            self.n_actions = n_actions      #动作数量
            self.n_features = n_features    #观测环境的特征数量
            self.lr = learning_rate         #学习率
            self.gamma = reward_decay       
            self.epsilon_max = e_greedy     #处于epsilon范围内时，选择value值最大的动作
            self.replace_target_iter = replace_target_iter  #进行参数替换的轮替代数
            self.memory_size = memory_size  #每个memory的size
            self.batch_size = batch_size    #训练batch的size
            self.epsilon_increment = e_greedy_increment
            self.epsilon = 0 if e_greedy_increment is not None else self.epsilon_max
            
            self.learn_step_counter = 0     # 初始化全局学习步数
    
            # 初始化用于存储memory的地方 [s, a, r, s_]
            self.memory = np.zeros((self.memory_size, n_features * 2 + 2))
    
            # 利用get_collection获得eval和target两个神经网络的参数
            self._build_net()
            t_params = tf.get_collection('target_net_params')
            e_params = tf.get_collection('eval_net_params')
            # 将e的参数赋予t
            self.replace_target_op = [tf.assign(t, e) for t, e in zip(t_params, e_params)]
    
            self.sess = tf.Session()
    
            #如果output_graph==True则在tensorboard上输出结构
            if output_graph: 
                tf.summary.FileWriter("logs/", self.sess.graph)
    
            self.sess.run(tf.global_variables_initializer())
            #用于存储历史cost值
            self.cost_his = []
    
        def _build_net(self):
            # ------------------ build evaluate_net ------------------
            self.s = tf.placeholder(tf.float32, [None, self.n_features], name='s')  
            #输入值，列的内容为观测到的环境的特点，一共有n个，用于计算对当前环境的估计
            self.q_target = tf.placeholder(tf.float32, [None, self.n_actions], name='Q_target')
            #该层神经网络用于计算q_eval
            with tf.variable_scope('eval_net'):
                # 神经网络的参数
                c_names =['eval_net_params', tf.GraphKeys.GLOBAL_VARIABLES] #collection的名字
                n_l1 = 10   #隐含层神经元的数量
                w_initializer = tf.random_normal_initializer(mean = 0., stddev = 0.3)   #初始化正态分布生成器
                b_initializer = tf.constant_initializer(0.1)    #常数生成器
    
                # q_eval神经网络的第一层
                with tf.variable_scope('l1'):
                    w1 = tf.get_variable('w1', [self.n_features, n_l1], initializer=w_initializer, collections=c_names)
                    b1 = tf.get_variable('b1', [1, n_l1], initializer=b_initializer, collections=c_names)
                    l1 = tf.nn.relu(tf.matmul(self.s, w1) + b1)
    
                # q_eval神经网络的第二层
                with tf.variable_scope('l2'):
                    w2 = tf.get_variable('w2', [n_l1, self.n_actions], initializer=w_initializer, collections=c_names)
                    b2 = tf.get_variable('b2', [1, self.n_actions], initializer=b_initializer, collections=c_names)
                    self.q_eval = tf.matmul(l1, w2) + b2
    
            with tf.variable_scope('loss'):     # q_eval神经网络的损失值，其将q_eval的损失值和q_target对比
                self.loss = tf.reduce_mean(tf.squared_difference(self.q_target, self.q_eval))
            with tf.variable_scope('train'):    # 利用RMSPropOptimizer进行训练
                self._train_op = tf.train.RMSPropOptimizer(self.lr).minimize(self.loss)
    
            # ------------------ build target_net ------------------
            self.s_ = tf.placeholder(tf.float32, [None, self.n_features], name='s_')    # input
            #该层神经网络用于计算q_target
            with tf.variable_scope('target_net'):
                #神经网络的参数
                c_names = ['target_net_params', tf.GraphKeys.GLOBAL_VARIABLES]
    
                #q_target第一层
                with tf.variable_scope('l1'):
                    w1 = tf.get_variable('w1', [self.n_features, n_l1], initializer=w_initializer, collections=c_names)
                    b1 = tf.get_variable('b1', [1, n_l1], initializer=b_initializer, collections=c_names)
                    l1 = tf.nn.relu(tf.matmul(self.s_, w1) + b1)
    
                #q_target第二层
                with tf.variable_scope('l2'):
                    w2 = tf.get_variable('w2', [n_l1, self.n_actions], initializer=w_initializer, collections=c_names)
                    b2 = tf.get_variable('b2', [1, self.n_actions], initializer=b_initializer, collections=c_names)
                    self.q_next = tf.matmul(l1, w2) + b2
    
        def store_transition(self, s, a, r, s_):
            #判断是否有memory_counter属性。没有则加入。该部分用于存储当前状态，action，得分，预测状态。
            if not hasattr(self, 'memory_counter'):
                self.memory_counter = 0               
            #将当前状态，action，得分，预测状态进行水平堆叠
            transition = np.hstack((s, [a, r], s_))   
            #index保证在memory_size以内
            index = self.memory_counter % self.memory_size 
            #self.memory中加入一行
            self.memory[index, :] = transition      
            #数量加1
            self.memory_counter += 1                
    
        def choose_action(self, observation):
            #变成可以输入给神经网络的行向量
            observation = observation[np.newaxis, :]    
    
            if np.random.uniform() < self.epsilon:      
            #如果在epsilon内，通过运算得出value最大的action，否则随机生成action
                actions_value = self.sess.run(self.q_eval, feed_dict={
        self.s: observation})
                action = np.argmax(actions_value)
            else:
                action = np.random.randint(0, self.n_actions)   
            return action
    
        def learn(self):
            # 确认是否到达了需要进行两个神经网络的参数赋值的代数，是则赋值
            if self.learn_step_counter % self.replace_target_iter == 0:
                self.sess.run(self.replace_target_op)
                print('\ntarget_params_replaced\n')
    
            # 根据当前memory当中的size进行提取，在没有到达memory_size时，根据当前的memory里的数量进行提取，提取的数量都是batchsize
            if self.memory_counter > self.memory_size:
                sample_index = np.random.choice(self.memory_size, size=self.batch_size)
            else:                                           
                sample_index = np.random.choice(self.memory_counter, size=self.batch_size)
            #根据sample_index提取出batch
            batch_memory = self.memory[sample_index, :]
    
            q_next, q_eval = self.sess.run(
                [self.q_next, self.q_eval],
                feed_dict={
        
                    self.s_: batch_memory[:, -self.n_features:], 
                    self.s: batch_memory[:, :self.n_features], 
                })
    
            
            q_target = q_eval.copy()
    
            batch_index = np.arange(self.batch_size, dtype=np.int32)
    
    
            #取出eval的每一个行为
            eval_act_index = batch_memory[:, self.n_features].astype(int)
            #取出eval的每一个得分
            reward = batch_memory[:, self.n_features + 1]
    
            #取出每一行的最大值
            q_target[batch_index, eval_act_index] = reward + self.gamma * np.max(q_next, axis=1)
    
            #训练
            _, self.cost = self.sess.run([self._train_op, self.loss],
                                            feed_dict={
        self.s: batch_memory[:, :self.n_features],
                                                    self.q_target: q_target})
            self.cost_his.append(self.cost)
    
            #如果存在epsilon_increment则改变epsilon的值
            self.epsilon = self.epsilon + self.epsilon_increment if self.epsilon < self.epsilon_max else self.epsilon_max
            self.learn_step_counter += 1
    
        def plot_cost(self):
            import matplotlib.pyplot as plt
            plt.plot(np.arange(len(self.cost_his)), self.cost_his)
            plt.ylabel('Cost')
            plt.xlabel('training steps')
            plt.show()

第三部分为运行环境：

"""
    Reinforcement learning maze example.
    Red rectangle:          explorer.
    Black rectangles:       hells       [reward = -1].
    Yellow bin circle:      paradise    [reward = +1].
    All other states:       ground      [reward = 0].
    This script is the environment part of this example.
    The RL is in RL_brain.py.
    View more on my tutorial page: https://morvanzhou.github.io/tutorials/
    """
    import numpy as np
    import time
    import sys
    if sys.version_info.major == 2:
        import Tkinter as tk
    else:
        import tkinter as tk
    
    UNIT = 40   # pixels
    MAZE_H = 4  # grid height
    MAZE_W = 4  # grid width
    
    
    class Maze(tk.Tk, object):
        def __init__(self):
            super(Maze, self).__init__()
            self.action_space = ['u', 'd', 'l', 'r']
            self.n_actions = len(self.action_space)
            self.n_features = 2
            self.title('maze')
            self.geometry('{0}x{1}'.format(MAZE_H * UNIT, MAZE_H * UNIT))
            self._build_maze()
    
        def _build_maze(self):
            self.canvas = tk.Canvas(self, bg='white',
                               height=MAZE_H * UNIT,
                               width=MAZE_W * UNIT)
    
            # create grids
            for c in range(0, MAZE_W * UNIT, UNIT):
                x0, y0, x1, y1 = c, 0, c, MAZE_H * UNIT
                self.canvas.create_line(x0, y0, x1, y1)
            for r in range(0, MAZE_H * UNIT, UNIT):
                x0, y0, x1, y1 = 0, r, MAZE_W * UNIT, r
                self.canvas.create_line(x0, y0, x1, y1)
    
            # create origin
            origin = np.array([20, 20])
    
            # hell
            hell1_center = origin + np.array([UNIT * 2, UNIT])
            self.hell1 = self.canvas.create_rectangle(
                hell1_center[0] - 15, hell1_center[1] - 15,
                hell1_center[0] + 15, hell1_center[1] + 15,
                fill='black')
            # hell
            # hell2_center = origin + np.array([UNIT, UNIT * 2])
            # self.hell2 = self.canvas.create_rectangle(
            #     hell2_center[0] - 15, hell2_center[1] - 15,
            #     hell2_center[0] + 15, hell2_center[1] + 15,
            #     fill='black')
    
            # create oval
            oval_center = origin + UNIT * 2
            self.oval = self.canvas.create_oval(
                oval_center[0] - 15, oval_center[1] - 15,
                oval_center[0] + 15, oval_center[1] + 15,
                fill='yellow')
    
            # create red rect
            self.rect = self.canvas.create_rectangle(
                origin[0] - 15, origin[1] - 15,
                origin[0] + 15, origin[1] + 15,
                fill='red')
    
            # pack all
            self.canvas.pack()
    
        def reset(self):
            self.update()
            time.sleep(0.1)
            self.canvas.delete(self.rect)
            origin = np.array([20, 20])
            self.rect = self.canvas.create_rectangle(
                origin[0] - 15, origin[1] - 15,
                origin[0] + 15, origin[1] + 15,
                fill='red')
            # return observation
            return (np.array(self.canvas.coords(self.rect)[:2]) - np.array(self.canvas.coords(self.oval)[:2]))/(MAZE_H*UNIT)
    
        def step(self, action):
            s = self.canvas.coords(self.rect)
            base_action = np.array([0, 0])
            if action == 0:   # up
                if s[1] > UNIT:
                    base_action[1] -= UNIT
            elif action == 1:   # down
                if s[1] < (MAZE_H - 1) * UNIT:
                    base_action[1] += UNIT
            elif action == 2:   # right
                if s[0] < (MAZE_W - 1) * UNIT:
                    base_action[0] += UNIT
            elif action == 3:   # left
                if s[0] > UNIT:
                    base_action[0] -= UNIT
    
            self.canvas.move(self.rect, base_action[0], base_action[1])  # move agent
    
            next_coords = self.canvas.coords(self.rect)  # next state
    
            # reward function
            if next_coords == self.canvas.coords(self.oval):
                reward = 1
                done = True
            elif next_coords in [self.canvas.coords(self.hell1)]:
                reward = -1
                done = True
            else:
                reward = 0
                done = False
            s_ = (np.array(next_coords[:2]) - np.array(self.canvas.coords(self.oval)[:2]))/(MAZE_H*UNIT)
            return s_, reward, done
    
        def render(self):
            # time.sleep(0.01)
            self.update()

除了环境部分外，主函数部分和DQN大脑部分我都进行了详细的备注，由于涉及到模块间的调用，需要设置文件名称，三个文件的名称分别为：run\_this.py，RL\_brain.py，maze\_env.py。  
由于代码并不是自己写的，所以就不上传github了，不过还是欢迎大家关注我和我的github  
https://github.com/bubbliiiing/  
希望得到朋友们的喜欢。

**有不懂的朋友可以评论询问噢。**

[20190723165901974.jpg_pic_center]: /images/20211204/17a7724b112845fbaabd0ab85acb5f3c.png
[morvanzhou_python]: https://morvanzhou.github.io/
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA_size_16_color_FFFFFF_t_70]: /images/20211204/51c61b63ac044c2db36c1e2c650e8d34.png
[20190713104623618.png]: /images/20211204/1ff220e1690a4907b0af2d7618621de4.png