强化学习笔记+代码（五）：Double-DQN、Dueling DQN结构原理和Agent实现

比眉伴天荒 2023-07-18 03:30 57阅读 0赞

本文主要整理和参考了[李宏毅的强化学习系列课程][Link 1]和莫烦python的[强化学习教程][Link 2]  
本系列主要分几个部分进行介绍

1.  [强化学习背景介绍][Link 3]
2.  [SARSA算法原理和Agent实现][SARSA_Agent]
3.  [Q-learning算法原理和Agent实现][Q-learning_Agent]
4.  [DQN算法原理和Agent实现(tensorflow)][DQN_Agent_tensorflow]
5.  [Double-DQN、Dueling DQN算法原理和Agent实现(tensorflow)][Double-DQN_Dueling DQN_Agent_tensorflow]
6.  [Policy Gradients算法原理和Agent实现(tensorflow)][Policy Gradients_Agent_tensorflow]
7.  [Actor-Critic、A2C、A3C算法原理和Agent实现(tensorflow)][Actor-Critic_A2C_A3C_Agent_tensorflow]

#### 一、Why Double-DQN ####

先回顾一下DQN算法  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTE1MTcxMzI_size_16_color_FFFFFF_t_70]

实际上DQN算出的状态s动作a的价值经常是被高估的，为什么这么说呢，因为里面核心是求 Q ∗ ( s , a ) = r + γ m a x \[ Q ( s ′ , a ′ ) \] Q\_\*(s,a)=r+γmax\[Q(s',a')\] Q∗(s,a)=r\+γmax\[Q(s′,a′)\]，其中 Q ( s ′ , a ′ ) Q(s',a') Q(s′,a′)是一个随机变量，那么 Q ( s ′ , a ′ ) Q(s',a') Q(s′,a′)就是不稳定的。而在算法中，我们每次都要取 m a x \[ Q ( s ′ , a ′ ) \] max\[Q(s',a')\] max\[Q(s′,a′)\]，当有一串Q(s’,a’)时，我们总是选择最高的。这就导致了DQN算出的状态s动作a的价值经常是被高估的。下图展示了四个游戏中DQN的表现：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTE1MTcxMzI_size_16_color_FFFFFF_t_70 1]  
橙色的曲线代表DQN估测的Q-value，橙色的直线代表DQN训练出来的policy实际中获得的Q-value，可以看出DQN估测的Q-value通常是被高度的。

蓝色的曲线代表Double DQN估测的Q-value，蓝色的直线代表Double DQN训练出来的policy实际中获得的Q-value。可以看出Double DQN估计出的Q-value要更符合现实。

那么什么是Double DQN呢？实际上就是将DQN的 Q ∗ ( s , a ) = r + γ m a x \[ Q ( s ′ , a ′ ) \] Q\_\*(s,a)=r+γmax\[Q(s',a')\] Q∗(s,a)=r\+γmax\[Q(s′,a′)\]（这是DQN被高度的原因）的形式进行改动，变为如下形式：  
![在这里插入图片描述][20200324162113969.png]  
其中红色框和蓝色框的 Q Q Q来自不同的network。可以看到算法利用 m a x \[ Q ( s t + 1 , a ) \] max\[Q(s\_\{t+1\},a)\] max\[Q(st\+1,a)\]选出了 s t + 1 s\_\{t+1\} st\+1时刻价值最高的动作，再将得到的动作 a t + 1 a\_\{t+1\} at\+1和状态 s t + 1 s\_\{t+1\} st\+1带入另一个network的 Q ′ ( s , a ) Q'(s,a) Q′(s,a)算出价值，作为最终的跟更新时使用的价值。

这个公式的理解是非常直观的，就好比病人去医院检查心脏病，第一次检查出很高患有心脏病。为了确认这个判断是否正确，此时最好的方法就是找另一个医生再检查一次。  
实际上：即便Q过估计了某个值，只要Q’没有高估，最后的结果还是正常的；即便Q’高估了某个值，只要Q没有选到那个action，最后的结果还是正常的.

我们并不去找真正去找另一个神经网络Q’。因为在DQN中我们已经有了两个结构一样的神经网络，一个是eval network，一个是target network。  
此次只需要将先用eval network估计出 m a x \[ Q ( s t + 1 , a ) \] max\[Q(s\_\{t+1\},a)\] max\[Q(st\+1,a)\]，在将选出的动和 s t + 1 s\_\{t+1\} st\+1作带入target network进行求解即可。

#### 二、 Double-DQN的Agent编写 ####

Double-DQN的agent编写与DQN几乎一样只是在求q估计的时候先用eval network求出价值最大的动作，再讲这个动作带入target network。  
之前在DQN中使用的公式为

q_target[batch_index, eval_act_index]=reward+self.gamma * np.max(q_next, axis=1)

现在改为：

#用t+1的状态带入eval network先选出动作
    action_value = self.sess.run(self.q_eval, feed_dict={self.s: batch_memory[:, -self.n_features:]})
    #维度为[batch_size, 1]
    action = np.argmax(action_value, axis=1)
    q_target[batch_index, eval_act_index]=reward+self.gamma * q_next[batch_index, action]

完整agent代码如下：

class Double_DeepQNetwork(object):
        #replace_target_iter为更新target network的步数，防止target network和eval network差别过大
        #memory_size为buffer储存记忆上线，方便使用以前记忆学习
        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
            self.n_features = n_features
            self.lr = learning_rate
            self.gamma = reward_decay
            self.epsilon_max = e_greedy     # epsilon后面奖励对前面的递减参数
            self.replace_target_iter = replace_target_iter  # 更换 target_net 的步数
            self.memory_size = memory_size  # 记忆上限
            self.batch_size = batch_size    # 每次更新时从 memory 里面取多少记忆出来
            self.epsilon_increment = e_greedy_increment # epsilon 的增量
            #epsilon = 0等于0时，后面的奖励创传不到前面，前面的状态就开启随机探索模式
            self.epsilon = 0 if e_greedy_increment is not None else self.epsilon_max # 是否开启探索模式, 并逐步减少探索次数
            
            # 记录学习次数 (用于判断是否更换 target_net 参数)
            self.learn_step_counter = 0
            
            # 初始化全 0 记忆 [s, a, r, s_]， 实际上feature为状态的维度，n_features*2分别记录s和s_，+2记录a和r
            self.memory = np.zeros((self.memory_size, n_features*2+2))
            
            self._build_net()
            
            #替换 target net 的参数
            t_params = tf.get_collection('target_net_params')  #提取 target_net 的参数
            e_params = tf.get_collection('eval_net_params')   # 提取  eval_net 的参数
            #将eval_network中每一个variable的值赋值给target network的对应变量
            self.replace_target_op = [tf.assign(t, e) for t, e in zip(t_params, e_params)] #更新 target_net 参数
            
            
            self.sess = tf.Session()
            
            if output_graph:
                tf.summary.FileWriter("logs/", self.sess.graph)
            
            self.sess.run(tf.global_variables_initializer())
            #用于记录# 记录所有 cost 变化
            self.cost_his = []
        
        #李宏毅老师克重的relpay buffer，通过以往的记忆中不断训练
        #这是DQN变为off-policy的核心
        def store_transition(self, s, a, r, s_):
            #如果DeepQNetwork中定义了memory_counter，进行记忆存储
            if not hasattr(self, 'memory_counter'):
                self.memory_counter = 0
            #记录一条 [s, a, r, s_] 记录
            transition = np.hstack((s, [a, r], s_))
            
            #总 memory 大小是固定的, 如果超出总大小, 旧 memory 就被新 memory 替换
            index = self.memory_counter % self.memory_size  #类似hashmap赋值思想
            self.memory[index, :] = transition  #进行替换
            
            self.memory_counter += 1
            
        #建立神经网络
        #此处建立两个申请网络，一个为target network，用于得到q现实。一个为eval_network，用于得到q估计
        #target network和eval_network结构一样，target network用比较老的参数，eval_network为真正训练的神经网络
        def _build_net(self):
            tf.reset_default_graph()  #清空计算图
            
            #创建eval神经网络,及时提升参数
            self.s = tf.placeholder(tf.float32, [None, self.n_features], name='s')  # 用来接收 observation，即神经网络的输入
            self.q_target = tf.placeholder(tf.float32, [None, self.n_actions], name='Q_target') # q_target的值, 这个之后会通过计算得到，神经网络的输出
            #eval_net域下的变量
            with tf.variable_scope('eval_net'):
                #c_names用于在一定步数之后更新target network
                #GLOBAL_VARIABLES作用是collection默认加入所有的Variable对象，用于共享
                c_names = ['eval_net_params', tf.GraphKeys.GLOBAL_VARIABLES]
                n_l1 = 10  #n_l1为network隐藏层神经元的个数 
                w_initializer = tf.random_normal_initializer(0.,0.3)  
                b_initializer = tf.constant_initializer(0.1)
                
                #eval_network第一层全连接神经网络
                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)
                
                #eval_network第二层全连接神经网络
                with tf.variable_scope('l1'):
                    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)
                    #求出q估计值，长度为n_actions的向量
                    self.q_eval = tf.matmul(l1, w2) + b2
                
            with tf.variable_scope('loss'): # 求误差
                #使用平方误差
                self.loss = tf.reduce_mean(tf.squared_difference(self.q_target, self.q_eval))
            
            with tf.variable_scope('train'):    # 梯度下降
                optimizer = tf.train.RMSPropOptimizer(self.lr)
                self._train_op = optimizer.minimize(self.loss)
            
            #创建target network，输入选择一个action后的状态s_,输出q_target
            self.s_ = tf.placeholder(tf.float32, [None, self.n_features], name='s_')    # 接收下个 observation
            with tf.variable_scope('target_net'):
                c_names = ['target_net_params', tf.GraphKeys.GLOBAL_VARIABLES]
                
                # target_net 的第一层fc， collections 是在更新 target_net 参数时会用到
                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)
                    
                # target_net 的第二层fc
                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)
                    #申请网络输出
                    self.q_next = tf.matmul(l1, w2) + b2
                
            print(self.q_next)
                    
        def choose_action(self, observation):
            #根据observation（state）选行为
            #使用eval network选出state下的行为估计
            #将observation的shape变为(1, size_of_observation)，行向量变为列向量才能与NN维度统一
            observation = observation[np.newaxis, :]
            
            if np.random.uniform() < self.epsilon:
                action_value = self.sess.run(self.q_eval, feed_dict={
        self.s:observation})
                action = np.argmax(action_value)
                
            else:
                action = np.random.randint(0, self.n_actions)   #随机选择
            
            return action
        
        def learn(self):
            if self.learn_step_counter % self.replace_target_iter ==0:
                self.sess.run(self.replace_target_op)
                print('\ntarget_params_replaced\n')
            
            #从memory中随机抽取batch_size这么多记忆
            if self.memory_counter > self.memory_size:   #说明记忆库已经存满，可以从记忆库任意位置收取
                sample_index = np.random.choice(self.memory_size, size=self.batch_size)
            else:   #记忆库还没有存满，从现有的存储记忆提取
                sample_index = np.random.choice(self.memory_counter, size=self.batch_size)
            
            batch_memory= self.memory[sample_index, :]
            
            # 获取q_next即q现实(target_net产生的q)和q_eval(eval_net产生的q)
            #q_next和q_eval都是一个向量，包含了对应状态下所有动作的q值
            #实际上feature为状态的维度，batch_memory[:, -self.n_features:]为s_,即状态s采取动作action后的状态s_, batch_memory[:, :self.n_features]为s
            
            # 获取q_next即q现实(target_net产生的q)和q_eval(eval_net产生的q)
            #q_next和q_eval都是一个向量，包含了对应状态下所有动作的q值
            #实际上feature为状态的维度，batch_memory[:, -self.n_features:]为s_,即状态s采取动作action后的状态s_, batch_memory[:, :self.n_features]为s
            #q_next, q_eval的维度为[None,n_actions]
            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]})
            
            #用t+1的状态带入eval network先选出动作
            action_value = self.sess.run(self.q_eval, feed_dict={
        self.s: batch_memory[:, -self.n_features:]})
            #维度为[batch_size, 1]
            action = np.argmax(action_value, axis=1)
            
            #下面这几步十分重要. q_next, q_eval 包含所有 action 的值, 而我们需要的只是已经选择好的 action 的值, 其他的并不需要.所以我们将其他的 action 值全变成 0, 将用到的 action 误差值 反向传递回去, 作为更新凭据.
            #这是我们最终要达到的样子, 比如 q_target - q_eval = [1, 0, 0] - [-1, 0, 0] = [2, 0, 0]
            # q_eval = [-1, 0, 0] 表示这一个记忆中有我选用过 action 0, 而action0带来的 Q(s, a0)=-1,而其他的 Q(s, a1)=Q(s, a2)=0
            # q_target = [1, 0, 0] 表示这个记忆中的 r+gamma*maxQ(s_) = 1, 而且不管在 s_ 上我们取了哪个 action
            # 我们都需要对应上 q_eval 中的 action 位置, 所以就将 q_target的1放在了 action0的位置.
            
            # 下面也是为了达到上面说的目的, 不过为了更方面让程序运算, 达到目的的过程有点不同.# 是将 q_eval 全部赋值给 q_target, 这时 q_target-q_eval 全为 0,
            # 不过 我们再根据 batch_memory 当中的 action 这个 column 来给 q_target 中的对应的 memory-action 位置来修改赋值.
            # 使新的赋值为 reward + gamma * maxQ(s_), 这样 q_target-q_eval 就可以变成我们所需的样子.
            q_target = q_eval.copy()
            #每个样本下标
            batch_index = np.arange(self.batch_size, dtype=np.int32)
            #记录每个样本执行的动作
            eval_act_index = batch_memory[:, self.n_features].astype(int)
            #记录每个样本动作的奖励
            reward = batch_memory[:, self.n_features + 1]
            #生成每个样本中q值对应动作的更新，即生成的q现实， 
            q_target[batch_index, eval_act_index]=reward+self.gamma * q_next[batch_index, action] 
            
            #假如在这个 batch 中, 我们有2个提取的记忆, 根据每个记忆可以生产3个 action 的值:
            #q_eval =[[1, 2, 3],[4, 5, 6]]， 另q_target = q_eval.copy()
            #然后根据 memory 当中的具体 action 位置来修改 q_target 对应 action 上的值:
            #比如在:记忆 0 的 q_target 计算值是 -1, 而且我用了 action 0;忆1的 q_target 计算值是-2, 而且我用了 action 2:
            #q_target =[[-1, 2, 3],[4, 5, -2]]
            #所以 (q_target - q_eval) 就变成了:[[(-1)-(1), 0, 0],[0, 0, (-2)-(6)]]
            #最后我们将这个 (q_target - q_eval) 当成误差, 反向传递会神经网络
            #所有为 0 的 action 值是当时没有选择的 action, 之前有选择的 action 才有不为0的值.
            #我们只反向传递之前选择的 action 的值,
            _, 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) # 记录 cost 误差
            
            #每调用一次learn，降低一次epsilon，即行为随机性
            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()

#### 三、Why Dueling DQN ####

DQN的网络结构如下  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTE1MTcxMzI_size_16_color_FFFFFF_t_70 2]  
 Q ( s , a ) Q(s,a) Q(s,a)表示了状态s下动作a的价值。因为有状态s这个条件， Q ( s , a ) Q(s,a) Q(s,a)并不能完全代表状态a的价值，因为有时候在某种state，无论做什么动作，对下一个state都没有多大的影响，而在一个好的state，无论做什么action，都能得到很高的value；在一个很差的state，无论做什么action，都只会得到一个很低的value。  
因此提出了Dueling DQN结构，愿望是衡量状态s的价值 V ( s ) V(s) V(s)和动作a的价值 A ( s , a ) A(s,a) A(s,a)。再讲状态的价值 V ( s ) V(s) V(s)和动作的价值 A ( s , a ) A(s,a) A(s,a)相加得到状态s下动作a的价值 Q ( s , a ) Q(s,a) Q(s,a)。  
基于上面思想，Dueling DQN结构设计如下：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTE1MTcxMzI_size_16_color_FFFFFF_t_70 3]  
 V ( s ) V(s) V(s)是一个标量， A ( s , a ) A(s,a) A(s,a)是一个向量。在相加时 V ( s ) V(s) V(s)会自动复制到与 A ( s , a ) A(s,a) A(s,a)维度一致。  
![在这里插入图片描述][20200324185952158.png]

既然是衡量动作动作的价值，为什么不直接 A ( a ) A(a) A(a)去衡量呢？为什么用 A ( s , a ) A(s,a) A(s,a)呢？**这个理解是非常直观的。动作本身是没有好坏的，只有在一定状态下，动作才有好坏**。比如，下围棋时，再不考虑当前局面是，落子在哪个位置是没有意义的，只有能够适应局面的落子才是有意义的。**将 Q ( s , a ) Q(s,a) Q(s,a)分离为 V ( s ) V(s) V(s)和 A ( s , a ) A(s,a) A(s,a)是为了尽可能分离出状态的价值和固定状态下，每个动作的价值。**

A ( s , a ) A(s,a) A(s,a)是衡量每个动作的价值，在固定的状态s下，动作是有好有坏的。可以设定好动作的价值大于0，坏动作的价值小于0（**这里的好坏是相对的，准确的说不是价值，是Advantage**）。并且状态s下，所有动作的价值的和为0，即 ∑ A ( s , \_ ) = 0 ∑A(s,\\\_)=0 ∑A(s,\_)=0，在这个基础上进行对 V ( s ) V(s) V(s)和 A ( s , a ) A(s,a) A(s,a)的更新。

从结构可以看出Dueling DQN在直观理解上是非常合理的，但是根据李宏毅老师课上展示的效果来看，效果其实并不理想。

#### 四、 Dueling DQN的Agent编写 ####

Dueling DQN与DQN的网络结构不同，其他过程相似。着重是更改原来DQN Agent的build\_net()方法。  
之前构建的方式是通过一个隐藏层直接获得q值

with tf.variable_scope('l1'):
                    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)
                    #求出q估计值，长度为n_actions的向量
                    self.q_eval = tf.matmul(l1, w2) + b2

现在将q\_eval 拆分为状态价值v和动作价值a，其中动作价值a的均值为0（q\_target需要做同样的改动）：

#状态的价值
                with tf.variable_scope('value'):
                    w21 = tf.get_variable('w21', [n_l1, 1], initializer=w_initializer, collections=c_names)
                    b21 = tf.get_variable('b21', [1], initializer=b_initializer, collections=c_names)
                    vs_out = tf.matmul(l1, w21) + b21
                
                #动作的advantage
                with tf.variable_scope('advantage'):
                    w22 = tf.get_variable('w22', [n_l1, self.n_actions], initializer=w_initializer, collections=c_names)
                    b22 = tf.get_variable('b22', [1, self.n_actions], initializer=b_initializer, collections=c_names)
                    aa = tf.matmul(l1, w22) + b22
                    #为了不让A直接学成了Q, 我们减掉了A的均值，此时A的均值始终为0
                    aa_out = aa - tf.reduce_mean(aa, axis=1, keep_dims=True)
                    
                #合并V和A, 求出q估计值
                with tf.variable_scope('Q'):
                    self.q_eval = vs_out + aa_out

完整的Dueling DQN的agent代码如下：

class Dueling_DeepQNetwork(object):
        #replace_target_iter为更新target network的步数，防止target network和eval network差别过大
        #memory_size为buffer储存记忆上线，方便使用以前记忆学习
        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
            self.n_features = n_features
            self.lr = learning_rate
            self.gamma = reward_decay
            self.epsilon_max = e_greedy     # epsilon后面奖励对前面的递减参数
            self.replace_target_iter = replace_target_iter  # 更换 target_net 的步数
            self.memory_size = memory_size  # 记忆上限
            self.batch_size = batch_size    # 每次更新时从 memory 里面取多少记忆出来
            self.epsilon_increment = e_greedy_increment # epsilon 的增量
            #epsilon = 0等于0时，后面的奖励创传不到前面，前面的状态就开启随机探索模式
            self.epsilon = 0 if e_greedy_increment is not None else self.epsilon_max # 是否开启探索模式, 并逐步减少探索次数
            
            # 记录学习次数 (用于判断是否更换 target_net 参数)
            self.learn_step_counter = 0
            
            # 初始化全 0 记忆 [s, a, r, s_]， 实际上feature为状态的维度，n_features*2分别记录s和s_，+2记录a和r
            self.memory = np.zeros((self.memory_size, n_features*2+2))
            
            self._build_net()
            
            #替换 target net 的参数
            t_params = tf.get_collection('target_net_params')  #提取 target_net 的参数
            e_params = tf.get_collection('eval_net_params')   # 提取  eval_net 的参数
            #将eval_network中每一个variable的值赋值给target network的对应变量
            self.replace_target_op = [tf.assign(t, e) for t, e in zip(t_params, e_params)] #更新 target_net 参数
            
            
            self.sess = tf.Session()
            
            if output_graph:
                tf.summary.FileWriter("logs/", self.sess.graph)
            
            self.sess.run(tf.global_variables_initializer())
            #用于记录# 记录所有 cost 变化
            self.cost_his = []
        
        #李宏毅老师克重的relpay buffer，通过以往的记忆中不断训练
        #这是DQN变为off-policy的核心
        def store_transition(self, s, a, r, s_):
            #如果DeepQNetwork中定义了memory_counter，进行记忆存储
            if not hasattr(self, 'memory_counter'):
                self.memory_counter = 0
            
            #记录一条 [s, a, r, s_] 记录
            transition = np.hstack((s, [a, r], s_))
            
            #总 memory 大小是固定的, 如果超出总大小, 旧 memory 就被新 memory 替换
            index = self.memory_counter % self.memory_size  #类似hashmap赋值思想
            self.memory[index, :] = transition  #进行替换
            
            self.memory_counter += 1
            
        #建立神经网络
        #此处建立两个申请网络，一个为target network，用于得到q现实。一个为eval_network，用于得到q估计
        #target network和eval_network结构一样，target network用比较老的参数，eval_network为真正训练的神经网络
        def _build_net(self):
            tf.reset_default_graph()  #清空计算图
            
            #创建eval神经网络,及时提升参数
            self.s = tf.placeholder(tf.float32, [None, self.n_features], name='s')  # 用来接收 observation，即神经网络的输入
            self.q_target = tf.placeholder(tf.float32, [None, self.n_actions], name='Q_target') # q_target的值, 这个之后会通过计算得到，神经网络的输出
            #eval_net域下的变量
            with tf.variable_scope('eval_net'):
                #c_names用于在一定步数之后更新target network
                #GLOBAL_VARIABLES作用是collection默认加入所有的Variable对象，用于共享
                c_names = ['eval_net_params', tf.GraphKeys.GLOBAL_VARIABLES]
                n_l1 = 10  #n_l1为network隐藏层神经元的个数 
                w_initializer = tf.random_normal_initializer(0.,0.3)  
                b_initializer = tf.constant_initializer(0.1)
                
                #eval_network第一层全连接神经网络
                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)
                
                #状态的价值
                with tf.variable_scope('value'):
                    w21 = tf.get_variable('w21', [n_l1, 1], initializer=w_initializer, collections=c_names)
                    b21 = tf.get_variable('b21', [1], initializer=b_initializer, collections=c_names)
                    vs_out = tf.matmul(l1, w21) + b21
                
                #动作的advantage
                with tf.variable_scope('advantage'):
                    w22 = tf.get_variable('w22', [n_l1, self.n_actions], initializer=w_initializer, collections=c_names)
                    b22 = tf.get_variable('b22', [1, self.n_actions], initializer=b_initializer, collections=c_names)
                    aa = tf.matmul(l1, w22) + b22
                    #为了不让A直接学成了Q, 我们减掉了A的均值，此时A的均值始终为0
                    aa_out = aa - tf.reduce_mean(aa, axis=1, keep_dims=True)
                    
                #合并V和A, 求出q估计值
                with tf.variable_scope('Q'):
                    self.q_eval = vs_out + aa_out
                
            with tf.variable_scope('loss'): # 求误差
                #使用平方误差
                self.loss = tf.reduce_mean(tf.squared_difference(self.q_target, self.q_eval))
            
            with tf.variable_scope('train'):    # 梯度下降
                optimizer = tf.train.RMSPropOptimizer(self.lr)
                self._train_op = optimizer.minimize(self.loss)
            
            #创建target network，输入选择一个action后的状态s_,输出q_target
            self.s_ = tf.placeholder(tf.float32, [None, self.n_features], name='s_')    # 接收下个 observation
            with tf.variable_scope('target_net'):
                c_names = ['target_net_params', tf.GraphKeys.GLOBAL_VARIABLES]
                
                # target_net 的第一层fc， collections 是在更新 target_net 参数时会用到
                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)
    
                #状态的价值
                with tf.variable_scope('value'):
                    w21 = tf.get_variable('w21', [n_l1, 1], initializer=w_initializer, collections=c_names)
                    b21 = tf.get_variable('b21', [1], initializer=b_initializer, collections=c_names)
                    vs_out = tf.matmul(l1, w21) + b21
                
                #动作的advantage
                with tf.variable_scope('advantage'):
                    w22 = tf.get_variable('w22', [n_l1, self.n_actions], initializer=w_initializer, collections=c_names)
                    b22 = tf.get_variable('b22', [1, self.n_actions], initializer=b_initializer, collections=c_names)
                    aa = tf.matmul(l1, w22) + b22
                    #为了不让A直接学成了Q, 我们减掉了A的均值，此时A的均值始终为0
                    aa_out = aa - tf.reduce_mean(aa, axis=1, keep_dims=True)
                
                #合并V和A, 求出q估计值
                with tf.variable_scope('Q'):
                    self.q_next = vs_out + aa_out
                
            print(self.q_next)
                    
        def choose_action(self, observation):
            #根据observation（state）选行为
            #使用eval network选出state下的行为估计
            #将observation的shape变为(1, size_of_observation)，行向量变为列向量才能与NN维度统一
            observation = observation[np.newaxis, :]
            
            if np.random.uniform() < self.epsilon:
                action_value = self.sess.run(self.q_eval, feed_dict={
        self.s:observation})
                action = np.argmax(action_value)
                
            else:
                action = np.random.randint(0, self.n_actions)   #随机选择
            
            return action
        
        def learn(self):
            if self.learn_step_counter % self.replace_target_iter ==0:
                self.sess.run(self.replace_target_op)
                print('\ntarget_params_replaced\n')
            
            #从memory中随机抽取batch_size这么多记忆
            if self.memory_counter > self.memory_size:   #说明记忆库已经存满，可以从记忆库任意位置收取
                sample_index = np.random.choice(self.memory_size, size=self.batch_size)
            else:   #记忆库还没有存满，从现有的存储记忆提取
                sample_index = np.random.choice(self.memory_counter, size=self.batch_size)
            
            batch_memory= self.memory[sample_index, :]
            
            # 获取q_next即q现实(target_net产生的q)和q_eval(eval_net产生的q)
            #q_next和q_eval都是一个向量，包含了对应状态下所有动作的q值
            #实际上feature为状态的维度，batch_memory[:, -self.n_features:]为s_,即状态s采取动作action后的状态s_, batch_memory[:, :self.n_features]为s
            
            # 获取q_next即q现实(target_net产生的q)和q_eval(eval_net产生的q)
            #q_next和q_eval都是一个向量，包含了对应状态下所有动作的q值
            #实际上feature为状态的维度，batch_memory[:, -self.n_features:]为s_,即状态s采取动作action后的状态s_, batch_memory[:, :self.n_features]为s
            #q_next, q_eval的维度为[None,n_actions]
            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]})
            
            #下面这几步十分重要. q_next, q_eval 包含所有 action 的值, 而我们需要的只是已经选择好的 action 的值, 其他的并不需要.所以我们将其他的 action 值全变成 0, 将用到的 action 误差值 反向传递回去, 作为更新凭据.
            #这是我们最终要达到的样子, 比如 q_target - q_eval = [1, 0, 0] - [-1, 0, 0] = [2, 0, 0]
            # q_eval = [-1, 0, 0] 表示这一个记忆中有我选用过 action 0, 而action0带来的 Q(s, a0)=-1,而其他的 Q(s, a1)=Q(s, a2)=0
            # q_target = [1, 0, 0] 表示这个记忆中的 r+gamma*maxQ(s_) = 1, 而且不管在 s_ 上我们取了哪个 action
            # 我们都需要对应上 q_eval 中的 action 位置, 所以就将 q_target的1放在了 action0的位置.
            
            # 下面也是为了达到上面说的目的, 不过为了更方面让程序运算, 达到目的的过程有点不同.# 是将 q_eval 全部赋值给 q_target, 这时 q_target-q_eval 全为 0,
            # 不过 我们再根据 batch_memory 当中的 action 这个 column 来给 q_target 中的对应的 memory-action 位置来修改赋值.
            # 使新的赋值为 reward + gamma * maxQ(s_), 这样 q_target-q_eval 就可以变成我们所需的样子.
            
            q_target = q_eval.copy()
            #每个样本下标
            batch_index = np.arange(self.batch_size, dtype=np.int32)
            #记录每个样本执行的动作
            eval_act_index = batch_memory[:, self.n_features].astype(int)
            #记录每个样本动作的奖励
            reward = batch_memory[:, self.n_features + 1]
            
            #生成每个样本中q值对应动作的更新，即生成的q现实，
            q_target[batch_index, eval_act_index]=reward+self.gamma * np.max(q_next, axis=1)
            
            #假如在这个 batch 中, 我们有2个提取的记忆, 根据每个记忆可以生产3个 action 的值:
            #q_eval =[[1, 2, 3],[4, 5, 6]]， 另q_target = q_eval.copy()
            #然后根据 memory 当中的具体 action 位置来修改 q_target 对应 action 上的值:
            #比如在:记忆 0 的 q_target 计算值是 -1, 而且我用了 action 0;忆1的 q_target 计算值是-2, 而且我用了 action 2:
            #q_target =[[-1, 2, 3],[4, 5, -2]]
            #所以 (q_target - q_eval) 就变成了:[[(-1)-(1), 0, 0],[0, 0, (-2)-(6)]]
            #最后我们将这个 (q_target - q_eval) 当成误差, 反向传递会神经网络
            #所有为 0 的 action 值是当时没有选择的 action, 之前有选择的 action 才有不为0的值.
            #我们只反向传递之前选择的 action 的值,
            _, 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) # 记录 cost 误差
            
            #每调用一次learn，降低一次epsilon，即行为随机性
            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()

可以看出其实Double DQN和Dueling DQN都是提升DQN效果的技巧。实际上可以将两种技术同时放在DQN中进行使用。

[Link 1]: https://www.bilibili.com/video/av24724071/
[Link 2]: https://morvanzhou.github.io/tutorials/machine-learning/reinforcement-learning/1-1-A-RL/
[Link 3]: https://blog.csdn.net/u011517132/article/details/105042828
[SARSA_Agent]: https://blog.csdn.net/u011517132/article/details/105044388
[Q-learning_Agent]: https://blog.csdn.net/u011517132/article/details/105049583
[DQN_Agent_tensorflow]: https://blog.csdn.net/u011517132/article/details/105051463
[Double-DQN_Dueling DQN_Agent_tensorflow]: https://blog.csdn.net/u011517132/article/details/105065672
[Policy Gradients_Agent_tensorflow]: https://blog.csdn.net/u011517132/article/details/105098610
[Actor-Critic_A2C_A3C_Agent_tensorflow]: https://blog.csdn.net/u011517132/article/details/105118510
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTE1MTcxMzI_size_16_color_FFFFFF_t_70]: /images/20230528/a51553c73e464f4ab304a0c01aa47231.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTE1MTcxMzI_size_16_color_FFFFFF_t_70 1]: /images/20230528/7083a83c0e314ed4a15eefd25b001ca9.png
[20200324162113969.png]: /images/20230528/0ac182a7689d49fd85a9b05785235c70.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTE1MTcxMzI_size_16_color_FFFFFF_t_70 2]: /images/20230528/d106a6aa879e47cb9a573f60bfc220cd.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTE1MTcxMzI_size_16_color_FFFFFF_t_70 3]: /images/20230528/472aea30334742a1907854b27d4cd8d8.png
[20200324185952158.png]: /images/20230528/b330e798a23d46a991f93e67c65ad506.png