Deep Q-Network 学习笔记（三）—— 改进①：nature dqn
由于 Q 值与 next Q 使用同一个网络时，是在一边更新一边学习，会不稳定。
所以，这个算法其实就是将神经网络拆分成 2 个，一个 Q 网络，用于同步更新 Q 值，另一个是 target 网络，用于计算目标 Q 值，并且每隔一段时间，自动将最新的 Q 网络的权值同步给 target 网络即可。
其实也就是在上一篇的基础上做以下修改即可：
1.增加一个 target 网络。
2.在记忆回放的时候，取 max Q 的值时将原本使用的 Q 网络修改成使用 target 网络。
3.在训练一定次数后，同步权值。
以下是源码：
import tensorflow as tf import numpy as np from collections import deque import random class DeepQNetwork: r = np.array([[-1, -1, -1, -1, 0, -1], [-1, -1, -1, 0, -1, 100.0], [-1, -1, -1, 0, -1, -1], [-1, 0, 0, -1, 0, -1], [0, -1, -1, 1, -1, 100], [-1, 0, -1, -1, 0, 100], ]) # 执行步数。 step_index = 0 # 状态数。 STATE_NUM = 6 # 动作数。 ACTION_NUM = 6 # 训练之前观察多少步。 OBSERVE = 1000. # 选取的小批量训练样本数。 BATCH = 20 # epsilon 的最小值，当 epsilon 小于该值时，将不在随机选择行为。 FINAL_EPSILON = 0.0001 # epsilon 的初始值，epsilon 逐渐减小。 INITIAL_EPSILON = 0.1 # epsilon 衰减的总步数。 EXPLORE = 3000000. # 探索模式计数。 epsilon = 0 # 训练步数统计。 learn_step_counter = 0 # 学习率。 learning_rate = 0.001 # γ经验折损率。 gamma = 0.9 # 记忆上限。 memory_size = 5000 # 当前记忆数。 memory_counter = 0 # 保存观察到的执行过的行动的存储器，即：曾经经历过的记忆。 replay_memory_store = deque() # 生成一个状态矩阵（6 X 6），每一行代表一个状态。 state_list = None # 生成一个动作矩阵。 action_list = None # q_eval 网络状态输入参数。 q_eval_input = None # q_eval 网络动作输入参数。 q_action_input = None # q_eval 网络中 q_target 的输入参数。 q_eval_target = None # q_eval 网络输出结果。 q_eval_output = None # q_eval 网络输出的结果中的最优得分。 q_predict = None # q_eval 网络输出的结果中当前选择的动作得分。 reward_action = None # q_eval 网络损失函数。 loss = None # q_eval 网络训练。 train_op = None # q_target 网络状态输入参数。 q_target_input = None # q_target 网络输出结果。 q_target_output = None # 更换 target_net 的步数。 replace_target_stepper = None # loss 值的集合。 cost_list = None # 输出图表显示 Q 值走向。 q_list = None running_q = 0 # tensorflow 会话。 session = None def __init__(self, learning_rate=0.001, gamma=0.9, memory_size=5000, replace_target_stepper=300): self.learning_rate = learning_rate self.gamma = gamma self.memory_size = memory_size self.replace_target_stepper = replace_target_stepper # 初始化成一个 6 X 6 的状态矩阵。 self.state_list = np.identity(self.STATE_NUM) # 初始化成一个 6 X 6 的动作矩阵。 self.action_list = np.identity(self.ACTION_NUM) # 创建神经网络。 self.create_network() # 初始化 tensorflow 会话。 self.session = tf.InteractiveSession() # 初始化 tensorflow 参数。 self.session.run(tf.initialize_all_variables()) # 记录所有 loss 变化。 self.cost_list = [] # 记录 q 值的变化。 self.q_list = [] def create_network(self): """ 创建神经网络。 :return: """ neuro_layer_1 = 3 w_init = tf.random_normal_initializer(0, 0.3) b_init = tf.constant_initializer(0.1) # -------------- 创建 eval 神经网络, 及时提升参数 -------------- # self.q_eval_input = tf.placeholder(shape=[None, self.STATE_NUM], dtype=tf.float32, name="q_eval_input") self.q_action_input = tf.placeholder(shape=[None, self.ACTION_NUM], dtype=tf.float32) self.q_eval_target = tf.placeholder(shape=[None], dtype=tf.float32, name="q_target") with tf.variable_scope("eval_net"): q_name = ['eval_net_params', tf.GraphKeys.GLOBAL_VARIABLES] with tf.variable_scope('l1'): w1 = tf.get_variable('w1', [self.STATE_NUM, neuro_layer_1], initializer=w_init, collections=q_name) b1 = tf.get_variable('b1', [1, neuro_layer_1], initializer=b_init, collections=q_name) l1 = tf.nn.relu(tf.matmul(self.q_eval_input, w1) + b1) with tf.variable_scope('l2'): w2 = tf.get_variable('w2', [neuro_layer_1, self.ACTION_NUM], initializer=w_init, collections=q_name) b2 = tf.get_variable('b2', [1, self.ACTION_NUM], initializer=b_init, collections=q_name) self.q_eval_output = tf.matmul(l1, w2) + b2 self.q_predict = tf.argmax(self.q_eval_output, 1) with tf.variable_scope('loss'): # 取出当前动作的得分。 self.reward_action = tf.reduce_sum(tf.multiply(self.q_eval_output, self.q_action_input), reduction_indices=1) self.loss = tf.reduce_mean(tf.square((self.q_eval_target - self.reward_action))) with tf.variable_scope('train'): self.train_op = tf.train.GradientDescentOptimizer(self.learning_rate).minimize(self.loss) # -------------- 创建 target 神经网络, 及时提升参数 -------------- # self.q_target_input = tf.placeholder(shape=[None, self.STATE_NUM], dtype=tf.float32, name="q_target_input") with tf.variable_scope("target_net"): t_name = ['target_net_params', tf.GraphKeys.GLOBAL_VARIABLES] with tf.variable_scope('l1'): w1 = tf.get_variable('w1', [self.STATE_NUM, neuro_layer_1], initializer=w_init, collections=t_name) b1 = tf.get_variable('b1', [1, neuro_layer_1], initializer=b_init, collections=t_name) l1 = tf.nn.relu(tf.matmul(self.q_target_input, w1) + b1) with tf.variable_scope('l2'): w2 = tf.get_variable('w2', [neuro_layer_1, self.ACTION_NUM], initializer=w_init, collections=t_name) b2 = tf.get_variable('b2', [1, self.ACTION_NUM], initializer=b_init, collections=t_name) self.q_target_output = tf.matmul(l1, w2) + b2 def _replace_target_params(self): # 使用 Tensorflow 中的 assign 功能替换 target_net 所有参数 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 self.session.run([tf.assign(t, e) for t, e in zip(t_params, e_params)]) # 更新 target_net 参数 def select_action(self, state_index): """ 根据策略选择动作。 :param state_index: 当前状态。 :return: """ current_state = self.state_list[state_index:state_index + 1] actions_value = self.session.run(self.q_eval_output, feed_dict={self.q_eval_input: current_state}) action = np.argmax(actions_value) current_action_index = action # 输出图表。 self.running_q = self.running_q * 0.99 + 0.01 * np.max(actions_value) self.q_list.append(self.running_q) if np.random.uniform() < self.epsilon: current_action_index = np.random.randint(0, self.ACTION_NUM) # 开始训练后，在 epsilon 小于一定的值之前，将逐步减小 epsilon。 if self.step_index > self.OBSERVE and self.epsilon > self.FINAL_EPSILON: self.epsilon -= (self.INITIAL_EPSILON - self.FINAL_EPSILON) / self.EXPLORE return current_action_index def save_store(self, current_state_index, current_action_index, current_reward, next_state_index, done): """ 保存记忆。 :param current_state_index: 当前状态 index。 :param current_action_index: 动作 index。 :param current_reward: 奖励。 :param next_state_index: 下一个状态 index。 :param done: 是否结束。 :return: """ current_state = self.state_list[current_state_index:current_state_index + 1] current_action = self.action_list[current_action_index:current_action_index + 1] next_state = self.state_list[next_state_index:next_state_index + 1] # 记忆动作(当前状态， 当前执行的动作， 当前动作的得分，下一个状态)。 self.replay_memory_store.append(( current_state, current_action, current_reward, next_state, done)) # 如果超过记忆的容量，则将最久远的记忆移除。 if len(self.replay_memory_store) > self.memory_size: self.replay_memory_store.popleft() self.memory_counter += 1 def step(self, state, action): """ 执行动作。 :param state: 当前状态。 :param action: 执行的动作。 :return: """ reward = self.r[state][action] next_state = action done = False if action == 5: done = True return next_state, reward, done def experience_replay(self): """ 记忆回放。 :return: """ # 检查是否替换 target_net 参数 if self.learn_step_counter % self.replace_target_stepper == 0: self._replace_target_params() # 随机选择一小批记忆样本。 batch = self.BATCH if self.memory_counter > self.BATCH else self.memory_counter minibatch = random.sample(self.replay_memory_store, batch) batch_state = None batch_action = None batch_reward = None batch_next_state = None batch_done = None for index in range(len(minibatch)): if batch_state is None: batch_state = minibatch[index][0] elif batch_state is not None: batch_state = np.vstack((batch_state, minibatch[index][0])) if batch_action is None: batch_action = minibatch[index][1] elif batch_action is not None: batch_action = np.vstack((batch_action, minibatch[index][1])) if batch_reward is None: batch_reward = minibatch[index][2] elif batch_reward is not None: batch_reward = np.vstack((batch_reward, minibatch[index][2])) if batch_next_state is None: batch_next_state = minibatch[index][3] elif batch_next_state is not None: batch_next_state = np.vstack((batch_next_state, minibatch[index][3])) if batch_done is None: batch_done = minibatch[index][4] elif batch_done is not None: batch_done = np.vstack((batch_done, minibatch[index][4])) # -------------- 改进部分 -------------- # # 获得 q_next 使用另一个神经网络 target。 # q_next：下一个状态的 Q 值。 q_next = self.session.run([self.q_target_output], feed_dict={self.q_target_input: batch_next_state}) # -------------- 改进部分 -------------- # q_target = [] for i in range(len(minibatch)): # 当前即时得分。 current_reward = batch_reward[i][0] # # 游戏是否结束。 # current_done = batch_done[i][0] # 更新 Q 值。 q_value = current_reward + self.gamma * np.max(q_next[0][i]) # 当得分小于 -1 时，表示走了不可走的位置。 if current_reward <= -1: q_target.append(current_reward) else: q_target.append(q_value) _, cost, reward = self.session.run([self.train_op, self.loss, self.reward_action], feed_dict={self.q_eval_input: batch_state, self.q_action_input: batch_action, self.q_eval_target: q_target}) self.cost_list.append(cost) # if self.step_index % 1000 == 0: # print("loss:", cost) self.learn_step_counter += 1 def train(self): """ 训练。 :return: """ # 初始化当前状态。 current_state = np.random.randint(0, self.ACTION_NUM - 1) self.epsilon = self.INITIAL_EPSILON while True: # 选择动作。 action = self.select_action(current_state) # 执行动作，得到：下一个状态，执行动作的得分，是否结束。 next_state, reward, done = self.step(current_state, action) # 保存记忆。 self.save_store(current_state, action, reward, next_state, done) # 先观察一段时间累积足够的记忆在进行训练。 if self.step_index > self.OBSERVE: self.experience_replay() if self.step_index - self.OBSERVE > 15000: break if done: current_state = np.random.randint(0, self.ACTION_NUM - 1) else: current_state = next_state self.step_index += 1 def pay(self): """ 运行并测试。 :return: """ self.train() # 显示 R 矩阵。 print(self.r) for index in range(5): start_room = index print("#############################", "Agent 在", start_room, "开始行动", "#############################") current_state = start_room step = 0 target_state = 5 while current_state != target_state: out_result = self.session.run(self.q_eval_output, feed_dict={ self.q_eval_input: self.state_list[current_state:current_state + 1]}) next_state = np.argmax(out_result[0]) print("Agent 由", current_state, "号房间移动到了", next_state, "号房间") current_state = next_state step += 1 print("Agent 在", start_room, "号房间开始移动了", step, "步到达了目标房间 5") print("#############################", "Agent 在", 5, "结束行动", "#############################") def show_plt(self): import matplotlib.pyplot as plt plt.plot(np.array(self.q_list), c='r', label='natural') # plt.plot(np.array(q_double), c='b', label='double') plt.legend(loc='best') plt.ylabel('Q eval') plt.xlabel('training steps') plt.grid() plt.show() if __name__ == "__main__": q_network = DeepQNetwork() q_network.pay() q_network.show_plt()
