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 21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和莫烦python的强化学习教程
本系列主要分几个部分进行介绍

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

一、Why Double-DQN

先回顾一下DQN算法
在这里插入图片描述

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
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
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

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

现在改为：

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

完整agent代码如下：

  1. class Double_DeepQNetwork(object):
  2.     #replace_target_iter为更新target network的步数，防止target network和eval network差别过大
  3.     #memory_size为buffer储存记忆上线，方便使用以前记忆学习
  4.     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):
  5.         self.n_actions = n_actions
  6.         self.n_features = n_features
  7.         self.lr = learning_rate
  8.         self.gamma = reward_decay
  9.         self.epsilon_max = e_greedy     # epsilon后面奖励对前面的递减参数
  10.         self.replace_target_iter = replace_target_iter  # 更换 target_net 的步数
  11.         self.memory_size = memory_size  # 记忆上限
  12.         self.batch_size = batch_size    # 每次更新时从 memory 里面取多少记忆出来
  13.         self.epsilon_increment = e_greedy_increment # epsilon 的增量
  14.         #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
  15.         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
  17.         # 记录学习次数 (用于判断是否更换 target_net 参数)
  18.         self.learn_step_counter = 0
  20.         # 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
  21.         self.memory = np.zeros((self.memory_size, n_features*2+2))
  23.         self._build_net()
  25.         #替换 target net 的参数
  26.         t_params = tf.get_collection('target_net_params')  #提取 target_net 的参数
  27.         e_params = tf.get_collection('eval_net_params')   # 提取  eval_net 的参数
  28.         #将eval_network中每一个variable的值赋值给target network的对应变量
  29.         self.replace_target_op = [tf.assign(t, e) for t, e in zip(t_params, e_params)] #更新 target_net 参数
  32.         self.sess = tf.Session()
  34.         if output_graph:
  35.             tf.summary.FileWriter("logs/", self.sess.graph)
  37.         self.sess.run(tf.global_variables_initializer())
  38.         #用于记录# 记录所有 cost 变化
  39.         self.cost_his = []
  41.     #李宏毅老师克重的relpay buffer，通过以往的记忆中不断训练
  42.     #这是DQN变为off-policy的核心
  43.     def store_transition(self, s, a, r, s_):
  44.         #如果DeepQNetwork中定义了memory_counter，进行记忆存储
  45.         if not hasattr(self, 'memory_counter'):
  46.             self.memory_counter = 0
  47.         #记录一条 [s, a, r, s_] 记录
  48.         transition = np.hstack((s, [a, r], s_))
  50.         #总 memory 大小是固定的, 如果超出总大小, 旧 memory 就被新 memory 替换
  51.         index = self.memory_counter % self.memory_size  #类似hashmap赋值思想
  52.         self.memory[index, :] = transition  #进行替换
  54.         self.memory_counter += 1
  56.     #建立神经网络
  57.     #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
  58.     #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
  59.     def _build_net(self):
  60.         tf.reset_default_graph()  #清空计算图
  62.         #创建eval神经网络,及时提升参数
  63.         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
  64.         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
  65.         #eval_net域下的变量
  66.         with tf.variable_scope('eval_net'):
  67.             #c_names用于在一定步数之后更新target network
  68.             #GLOBAL_VARIABLES作用是collection默认加入所有的Variable对象，用于共享
  69.             c_names = ['eval_net_params', tf.GraphKeys.GLOBAL_VARIABLES]
  70.             n_l1 = 10  #n_l1为network隐藏层神经元的个数 
  71.             w_initializer = tf.random_normal_initializer(0.,0.3)  
  72.             b_initializer = tf.constant_initializer(0.1)
  74.             #eval_network第一层全连接神经网络
  75.             with tf.variable_scope('l1'):
  76.                 w1 = tf.get_variable('w1', [self.n_features, n_l1], initializer=w_initializer, collections=c_names)
  77.                 b1 = tf.get_variable('b1', [1, n_l1], initializer=b_initializer, collections=c_names)
  78.                 l1 = tf.nn.relu(tf.matmul(self.s, w1)+b1)
  80.             #eval_network第二层全连接神经网络
  81.             with tf.variable_scope('l1'):
  82.                 w2 = tf.get_variable('w2', [n_l1, self.n_actions], initializer=w_initializer, collections=c_names)
  83.                 b2 = tf.get_variable('b2', [1, self.n_actions], initializer=b_initializer, collections=c_names)
  84.                 #求出q估计值，长度为n_actions的向量
  85.                 self.q_eval = tf.matmul(l1, w2) + b2
  87.         with tf.variable_scope('loss'): # 求误差
  88.             #使用平方误差
  89.             self.loss = tf.reduce_mean(tf.squared_difference(self.q_target, self.q_eval))
  91.         with tf.variable_scope('train'):    # 梯度下降
  92.             optimizer = tf.train.RMSPropOptimizer(self.lr)
  93.             self._train_op = optimizer.minimize(self.loss)
  95.         #创建target network，输入选择一个action后的状态s_,输出q_target
  96.         self.s_ = tf.placeholder(tf.float32, [None, self.n_features], name='s_')    # 接收下个 observation
  97.         with tf.variable_scope('target_net'):
  98.             c_names = ['target_net_params', tf.GraphKeys.GLOBAL_VARIABLES]
  100.             # target_net 的第一层fc， collections 是在更新 target_net 参数时会用到
  101.             with tf.variable_scope('l1'):
  102.                 w1 = tf.get_variable('w1', [self.n_features, n_l1], initializer=w_initializer, collections=c_names)
  103.                 b1 = tf.get_variable('b1', [1, n_l1], initializer=b_initializer, collections=c_names)
  104.                 l1 = tf.nn.relu(tf.matmul(self.s_, w1) + b1)
  106.             # target_net 的第二层fc
  107.             with tf.variable_scope('l2'):
  108.                 w2 = tf.get_variable('w2', [n_l1, self.n_actions], initializer=w_initializer, collections=c_names)
  109.                 b2 = tf.get_variable('b2', [1, self.n_actions], initializer=b_initializer, collections=c_names)
  110.                 #申请网络输出
  111.                 self.q_next = tf.matmul(l1, w2) + b2
  113.         print(self.q_next)
  115.     def choose_action(self, observation):
  116.         #根据observation（state）选行为
  117.         #使用eval network选出state下的行为估计
  118.         #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
  119.         observation = observation[np.newaxis, :]
  121.         if np.random.uniform() < self.epsilon:
  122.             action_value = self.sess.run(self.q_eval, feed_dict={
  123.     self.s:observation})
  124.             action = np.argmax(action_value)
  126.         else:
  127.             action = np.random.randint(0, self.n_actions)   #随机选择
  129.         return action
  131.     def learn(self):
  132.         if self.learn_step_counter % self.replace_target_iter ==0:
  133.             self.sess.run(self.replace_target_op)
  134.             print('\ntarget_params_replaced\n')
  136.         #从memory中随机抽取batch_size这么多记忆
  137.         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
  138.             sample_index = np.random.choice(self.memory_size, size=self.batch_size)
  139.         else:   #记忆库还没有存满，从现有的存储记忆提取
  140.             sample_index = np.random.choice(self.memory_counter, size=self.batch_size)
  142.         batch_memory= self.memory[sample_index, :]
  144.         # 获取q_next即q现实(target_net产生的q)和q_eval(eval_net产生的q)
  145.         #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
  146.         #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
  148.         # 获取q_next即q现实(target_net产生的q)和q_eval(eval_net产生的q)
  149.         #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
  150.         #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
  151.         #q_next, q_eval的维度为[None,n_actions]
  152.         q_next, q_eval = self.sess.run([self.q_next, self.q_eval], feed_dict={
  153.     self.s_: batch_memory[:, -self.n_features:],self.s: batch_memory[:, :self.n_features]})
  155.         #用t+1的状态带入eval network先选出动作
  156.         action_value = self.sess.run(self.q_eval, feed_dict={
  157.     self.s: batch_memory[:, -self.n_features:]})
  158.         #维度为[batch_size, 1]
  159.         action = np.argmax(action_value, axis=1)
  161.         #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.
  162.         #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]
  163.         # 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
  164.         # 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
  165.         # 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.
  167.         # 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,
  168.         # 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.
  169.         # 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.
  170.         q_target = q_eval.copy()
  171.         #每个样本下标
  172.         batch_index = np.arange(self.batch_size, dtype=np.int32)
  173.         #记录每个样本执行的动作
  174.         eval_act_index = batch_memory[:, self.n_features].astype(int)
  175.         #记录每个样本动作的奖励
  176.         reward = batch_memory[:, self.n_features + 1]
  177.         #生成每个样本中q值对应动作的更新，即生成的q现实， 
  178.         q_target[batch_index, eval_act_index]=reward+self.gamma * q_next[batch_index, action] 
  180.         #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:
  181.         #q_eval =[[1, 2, 3],[4, 5, 6]]， 另q_target = q_eval.copy()
  182.         #然后根据 memory 当中的具体 action 位置来修改 q_target 对应 action 上的值:
  183.         #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:
  184.         #q_target =[[-1, 2, 3],[4, 5, -2]]
  185.         #所以 (q_target - q_eval) 就变成了:[[(-1)-(1), 0, 0],[0, 0, (-2)-(6)]]
  186.         #最后我们将这个 (q_target - q_eval) 当成误差, 反向传递会神经网络
  187.         #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.
  188.         #我们只反向传递之前选择的 action 的值,
  189.         _, self.cost = self.sess.run([self._train_op, self.loss],feed_dict={
  190.     self.s: batch_memory[:, :self.n_features],self.q_target: q_target})
  192.         self.cost_his.append(self.cost) # 记录 cost 误差
  194.         #每调用一次learn，降低一次epsilon，即行为随机性
  195.         self.epsilon = self.epsilon + self.epsilon_increment if self.epsilon < self.epsilon_max else self.epsilon_max
  197.         self.learn_step_counter += 1
  199.     def plot_cost(self):
  200.         import matplotlib.pyplot as plt
  201.         plt.plot(np.arange(len(self.cost_his)), self.cost_his)
  202.         plt.ylabel('Cost')
  203.         plt.xlabel('training steps')
  204.         plt.show()

三、Why Dueling DQN

DQN的网络结构如下
在这里插入图片描述
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
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

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

  1. with tf.variable_scope('l1'):
  2.                 w2 = tf.get_variable('w2', [n_l1, self.n_actions], initializer=w_initializer, collections=c_names)
  3.                 b2 = tf.get_variable('b2', [1, self.n_actions], initializer=b_initializer, collections=c_names)
  4.                 #求出q估计值，长度为n_actions的向量
  5.                 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）：

  1. #状态的价值
  2.             with tf.variable_scope('value'):
  3.                 w21 = tf.get_variable('w21', [n_l1, 1], initializer=w_initializer, collections=c_names)
  4.                 b21 = tf.get_variable('b21', [1], initializer=b_initializer, collections=c_names)
  5.                 vs_out = tf.matmul(l1, w21) + b21
  7.             #动作的advantage
  8.             with tf.variable_scope('advantage'):
  9.                 w22 = tf.get_variable('w22', [n_l1, self.n_actions], initializer=w_initializer, collections=c_names)
  10.                 b22 = tf.get_variable('b22', [1, self.n_actions], initializer=b_initializer, collections=c_names)
  11.                 aa = tf.matmul(l1, w22) + b22
  12.                 #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
  13.                 aa_out = aa - tf.reduce_mean(aa, axis=1, keep_dims=True)
  15.             #合并V和A, 求出q估计值
  16.             with tf.variable_scope('Q'):
  17.                 self.q_eval = vs_out + aa_out

完整的Dueling DQN的agent代码如下：

  1. class Dueling_DeepQNetwork(object):
  2.     #replace_target_iter为更新target network的步数，防止target network和eval network差别过大
  3.     #memory_size为buffer储存记忆上线，方便使用以前记忆学习
  4.     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):
  5.         self.n_actions = n_actions
  6.         self.n_features = n_features
  7.         self.lr = learning_rate
  8.         self.gamma = reward_decay
  9.         self.epsilon_max = e_greedy     # epsilon后面奖励对前面的递减参数
  10.         self.replace_target_iter = replace_target_iter  # 更换 target_net 的步数
  11.         self.memory_size = memory_size  # 记忆上限
  12.         self.batch_size = batch_size    # 每次更新时从 memory 里面取多少记忆出来
  13.         self.epsilon_increment = e_greedy_increment # epsilon 的增量
  14.         #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
  15.         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
  17.         # 记录学习次数 (用于判断是否更换 target_net 参数)
  18.         self.learn_step_counter = 0
  20.         # 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
  21.         self.memory = np.zeros((self.memory_size, n_features*2+2))
  23.         self._build_net()
  25.         #替换 target net 的参数
  26.         t_params = tf.get_collection('target_net_params')  #提取 target_net 的参数
  27.         e_params = tf.get_collection('eval_net_params')   # 提取  eval_net 的参数
  28.         #将eval_network中每一个variable的值赋值给target network的对应变量
  29.         self.replace_target_op = [tf.assign(t, e) for t, e in zip(t_params, e_params)] #更新 target_net 参数
  32.         self.sess = tf.Session()
  34.         if output_graph:
  35.             tf.summary.FileWriter("logs/", self.sess.graph)
  37.         self.sess.run(tf.global_variables_initializer())
  38.         #用于记录# 记录所有 cost 变化
  39.         self.cost_his = []
  41.     #李宏毅老师克重的relpay buffer，通过以往的记忆中不断训练
  42.     #这是DQN变为off-policy的核心
  43.     def store_transition(self, s, a, r, s_):
  44.         #如果DeepQNetwork中定义了memory_counter，进行记忆存储
  45.         if not hasattr(self, 'memory_counter'):
  46.             self.memory_counter = 0
  48.         #记录一条 [s, a, r, s_] 记录
  49.         transition = np.hstack((s, [a, r], s_))
  51.         #总 memory 大小是固定的, 如果超出总大小, 旧 memory 就被新 memory 替换
  52.         index = self.memory_counter % self.memory_size  #类似hashmap赋值思想
  53.         self.memory[index, :] = transition  #进行替换
  55.         self.memory_counter += 1
  57.     #建立神经网络
  58.     #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
  59.     #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
  60.     def _build_net(self):
  61.         tf.reset_default_graph()  #清空计算图
  63.         #创建eval神经网络,及时提升参数
  64.         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
  65.         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
  66.         #eval_net域下的变量
  67.         with tf.variable_scope('eval_net'):
  68.             #c_names用于在一定步数之后更新target network
  69.             #GLOBAL_VARIABLES作用是collection默认加入所有的Variable对象，用于共享
  70.             c_names = ['eval_net_params', tf.GraphKeys.GLOBAL_VARIABLES]
  71.             n_l1 = 10  #n_l1为network隐藏层神经元的个数 
  72.             w_initializer = tf.random_normal_initializer(0.,0.3)  
  73.             b_initializer = tf.constant_initializer(0.1)
  75.             #eval_network第一层全连接神经网络
  76.             with tf.variable_scope('l1'):
  77.                 w1 = tf.get_variable('w1', [self.n_features, n_l1], initializer=w_initializer, collections=c_names)
  78.                 b1 = tf.get_variable('b1', [1, n_l1], initializer=b_initializer, collections=c_names)
  79.                 l1 = tf.nn.relu(tf.matmul(self.s, w1)+b1)
  81.             #状态的价值
  82.             with tf.variable_scope('value'):
  83.                 w21 = tf.get_variable('w21', [n_l1, 1], initializer=w_initializer, collections=c_names)
  84.                 b21 = tf.get_variable('b21', [1], initializer=b_initializer, collections=c_names)
  85.                 vs_out = tf.matmul(l1, w21) + b21
  87.             #动作的advantage
  88.             with tf.variable_scope('advantage'):
  89.                 w22 = tf.get_variable('w22', [n_l1, self.n_actions], initializer=w_initializer, collections=c_names)
  90.                 b22 = tf.get_variable('b22', [1, self.n_actions], initializer=b_initializer, collections=c_names)
  91.                 aa = tf.matmul(l1, w22) + b22
  92.                 #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
  93.                 aa_out = aa - tf.reduce_mean(aa, axis=1, keep_dims=True)
  95.             #合并V和A, 求出q估计值
  96.             with tf.variable_scope('Q'):
  97.                 self.q_eval = vs_out + aa_out
  99.         with tf.variable_scope('loss'): # 求误差
  100.             #使用平方误差
  101.             self.loss = tf.reduce_mean(tf.squared_difference(self.q_target, self.q_eval))
  103.         with tf.variable_scope('train'):    # 梯度下降
  104.             optimizer = tf.train.RMSPropOptimizer(self.lr)
  105.             self._train_op = optimizer.minimize(self.loss)
  107.         #创建target network，输入选择一个action后的状态s_,输出q_target
  108.         self.s_ = tf.placeholder(tf.float32, [None, self.n_features], name='s_')    # 接收下个 observation
  109.         with tf.variable_scope('target_net'):
  110.             c_names = ['target_net_params', tf.GraphKeys.GLOBAL_VARIABLES]
  112.             # target_net 的第一层fc， collections 是在更新 target_net 参数时会用到
  113.             with tf.variable_scope('l1'):
  114.                 w1 = tf.get_variable('w1', [self.n_features, n_l1], initializer=w_initializer, collections=c_names)
  115.                 b1 = tf.get_variable('b1', [1, n_l1], initializer=b_initializer, collections=c_names)
  116.                 l1 = tf.nn.relu(tf.matmul(self.s_, w1) + b1)
  118.             #状态的价值
  119.             with tf.variable_scope('value'):
  120.                 w21 = tf.get_variable('w21', [n_l1, 1], initializer=w_initializer, collections=c_names)
  121.                 b21 = tf.get_variable('b21', [1], initializer=b_initializer, collections=c_names)
  122.                 vs_out = tf.matmul(l1, w21) + b21
  124.             #动作的advantage
  125.             with tf.variable_scope('advantage'):
  126.                 w22 = tf.get_variable('w22', [n_l1, self.n_actions], initializer=w_initializer, collections=c_names)
  127.                 b22 = tf.get_variable('b22', [1, self.n_actions], initializer=b_initializer, collections=c_names)
  128.                 aa = tf.matmul(l1, w22) + b22
  129.                 #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
  130.                 aa_out = aa - tf.reduce_mean(aa, axis=1, keep_dims=True)
  132.             #合并V和A, 求出q估计值
  133.             with tf.variable_scope('Q'):
  134.                 self.q_next = vs_out + aa_out
  136.         print(self.q_next)
  138.     def choose_action(self, observation):
  139.         #根据observation（state）选行为
  140.         #使用eval network选出state下的行为估计
  141.         #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
  142.         observation = observation[np.newaxis, :]
  144.         if np.random.uniform() < self.epsilon:
  145.             action_value = self.sess.run(self.q_eval, feed_dict={
  146.     self.s:observation})
  147.             action = np.argmax(action_value)
  149.         else:
  150.             action = np.random.randint(0, self.n_actions)   #随机选择
  152.         return action
  154.     def learn(self):
  155.         if self.learn_step_counter % self.replace_target_iter ==0:
  156.             self.sess.run(self.replace_target_op)
  157.             print('\ntarget_params_replaced\n')
  159.         #从memory中随机抽取batch_size这么多记忆
  160.         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
  161.             sample_index = np.random.choice(self.memory_size, size=self.batch_size)
  162.         else:   #记忆库还没有存满，从现有的存储记忆提取
  163.             sample_index = np.random.choice(self.memory_counter, size=self.batch_size)
  165.         batch_memory= self.memory[sample_index, :]
  167.         # 获取q_next即q现实(target_net产生的q)和q_eval(eval_net产生的q)
  168.         #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
  169.         #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
  171.         # 获取q_next即q现实(target_net产生的q)和q_eval(eval_net产生的q)
  172.         #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
  173.         #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
  174.         #q_next, q_eval的维度为[None,n_actions]
  175.         q_next, q_eval = self.sess.run([self.q_next, self.q_eval], feed_dict={
  176.     self.s_: batch_memory[:, -self.n_features:],self.s: batch_memory[:, :self.n_features]})
  178.         #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.
  179.         #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]
  180.         # 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
  181.         # 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
  182.         # 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.
  184.         # 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,
  185.         # 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.
  186.         # 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.
  188.         q_target = q_eval.copy()
  189.         #每个样本下标
  190.         batch_index = np.arange(self.batch_size, dtype=np.int32)
  191.         #记录每个样本执行的动作
  192.         eval_act_index = batch_memory[:, self.n_features].astype(int)
  193.         #记录每个样本动作的奖励
  194.         reward = batch_memory[:, self.n_features + 1]
  196.         #生成每个样本中q值对应动作的更新，即生成的q现实，
  197.         q_target[batch_index, eval_act_index]=reward+self.gamma * np.max(q_next, axis=1)
  199.         #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:
  200.         #q_eval =[[1, 2, 3],[4, 5, 6]]， 另q_target = q_eval.copy()
  201.         #然后根据 memory 当中的具体 action 位置来修改 q_target 对应 action 上的值:
  202.         #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:
  203.         #q_target =[[-1, 2, 3],[4, 5, -2]]
  204.         #所以 (q_target - q_eval) 就变成了:[[(-1)-(1), 0, 0],[0, 0, (-2)-(6)]]
  205.         #最后我们将这个 (q_target - q_eval) 当成误差, 反向传递会神经网络
  206.         #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.
  207.         #我们只反向传递之前选择的 action 的值,
  208.         _, self.cost = self.sess.run([self._train_op, self.loss],feed_dict={
  209.     self.s: batch_memory[:, :self.n_features],self.q_target: q_target})
  211.         self.cost_his.append(self.cost) # 记录 cost 误差
  213.         #每调用一次learn，降低一次epsilon，即行为随机性
  214.         self.epsilon = self.epsilon + self.epsilon_increment if self.epsilon < self.epsilon_max else self.epsilon_max
  216.         self.learn_step_counter += 1
  218.     def plot_cost(self):
  219.         import matplotlib.pyplot as plt
  220.         plt.plot(np.arange(len(self.cost_his)), self.cost_his)
  221.         plt.ylabel('Cost')
  222.         plt.xlabel('training steps')
  223.         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。

发表评论

表情：
评论列表 （有 0 条评论，21人围观）

还没有评论，来说两句吧...

相关阅读