本文內容源自百度強化學習 7 日入門課程學習整理
感謝百度 PARL 團隊李科澆老師的課程講解
強化學習算法 DQN 解決 CartPole 問題,移動小車使得車上的擺杆保持直立。
-
這個遊戲環境可以說是強化學習中的 “Hello World”
-
大部分的算法都可以先利用這個環境來測試下是否可以收斂
環境介紹:
小車在一個導軌上,無摩擦地來回移動,車上有一根杆子,可以繞着小車上的一個點旋轉,所以我們要做的是,通過推動小車往左或者往右,來確保杆子不倒
終止條件:
- 杆子角度大於 +/-12度
- 車子位移大於 +/-2.4(車子移出了界面外)
- Episode 超出 200 steps
獎勵:
- 每執行一個 step 拿到 1分
- 所以最高是 200 分
環境重置 env.reset()
- 返回狀態值:[小車的位置,小車的速度,杆子的角度,杆子頂端的速度]
每走一步 env.step(0)
- 返回:[當前狀態,獎勵,是否結束]
文章目錄
一、安裝依賴
pip install gym
pip install paddlepaddle==1.6.3
pip install parl==1.3.1
二、導入依賴
import parl
from parl import layers
# parl 封裝了 paddle.fluid.layers 的 API,官網可查詢使用方式
import paddle.fluid as fluid
import copy
import numpy as np
import os
import gym
from parl.utils import logger
三、設置超參數
LEARN_FREQ = 5 # 訓練頻率,不需要每一個step都learn,攢一些新增經驗後再learn,提高效率
MEMORY_SIZE = 20000 # replay memory的大小,越大越佔用內存
MEMORY_WARMUP_SIZE = 200 # replay_memory 裏需要預存一些經驗數據,再開啓訓練
BATCH_SIZE = 32 # 每次給agent learn的數據數量,從replay memory隨機裏sample一批數據出來
LEARNING_RATE = 0.001 # 學習率
GAMMA = 0.99 # reward 的衰減因子,一般取 0.9 到 0.999 不等
四、Model
Model
用來定義前向(Forward
)網絡,用戶可以自由的定製自己的網絡結構。
class Model(parl.Model):
# 這裏的 model 利用 parl.Model 作爲基類,後面會用到一些基類下的方法
def __init__(self, act_dim):
hid1_size = 128
hid2_size = 128
# 3層全連接網絡
self.fc1 = layers.fc(size=hid1_size, act='relu')
self.fc2 = layers.fc(size=hid2_size, act='relu')
self.fc3 = layers.fc(size=act_dim, act=None)
def value(self, obs):
# 定義網絡
# 輸入state,輸出所有action對應的Q,[Q(s,a1), Q(s,a2), Q(s,a3)...]
h1 = self.fc1(obs)
h2 = self.fc2(h1)
Q = self.fc3(h2)
return Q # 輸出的 Q 是一個向量,維度是動作的維度
五、Algorithm
Algorithm
定義了具體的算法來更新前向網絡(Model
),也就是通過定義損失函數來更新Model
,和算法相關的計算都放在algorithm
中。
這裏的核心是 learn() 函數,其中分爲 3 部分:
- 獲取 Q 目標值
- 注意點:在 target_Q 的計算中,有個判斷條件,是否遊戲結束,計算公式不同
- terminal:即是否爲 done,是的話爲 true(1),否的話爲 false(0)
- 所以用 作爲係數就可以達到 “判斷” 語句的效果(之前要先用 layers.cast 將 terminal 轉化爲浮點數)
- 注意點:best_v.stop_gradient = True 阻止梯度傳遞
- 我們在通過 神經網絡獲得 target_Q 的時候,並不希望去更新 target_model 神經網絡參數,所以要阻止梯度傳遞
- 注意點:在 target_Q 的計算中,有個判斷條件,是否遊戲結束,計算公式不同
- 獲取 Q 預測值
- 注意點:從 Q 值列表中取得對應 動作的 Q 值
- 首先把 action 轉爲 one-hot 向量
- 然後用兩個向量元素相乘的方法 layers.elementwise_mul 只保留對應的值,其他變爲 0
- 然後用元素累加的方法 layers.reduce_sum 就得到了最終的值 (這裏是 “第 2 維” 的累加,所以 dim=1)
- 注意點:從 Q 值列表中取得對應 動作的 Q 值
- 計算 loss
這裏 learn() 函數的輸入 obs, action, reward, next_obs, terminal
由於每次傳入一個 batch ,所以每一個參數都是一個數組
# from parl.algorithms import DQN # 也可以直接從parl庫中導入DQN算法
class DQN(parl.Algorithm):
def __init__(self, model, act_dim=None, gamma=None, lr=None):
""" DQN algorithm
Args:
model (parl.Model): 定義Q函數的前向網絡結構
act_dim (int): action空間的維度,即有幾個action
gamma (float): reward的衰減因子
lr (float): learning rate 學習率.
"""
self.model = model # 傳入之前定義好的 model 結構
self.target_model = copy.deepcopy(model) # 把模型硬拷貝一份,作爲 target_model(固定)
assert isinstance(act_dim, int) # 斷言,確認動作維度,是 int
assert isinstance(gamma, float) # 斷言,確認衰減因子,是 float
assert isinstance(lr, float) # 斷言,確定學習速率,是 float
self.act_dim = act_dim #傳入
self.gamma = gamma #傳入
self.lr = lr #傳入
def predict(self, obs):
""" 使用self.model的value網絡來獲取 [Q(s,a1),Q(s,a2),...]
"""
return self.model.value(obs) # 把 obs 傳入前向網絡,得到當前狀態下,所有可執行動作的 Q 值(預測值)
def learn(self, obs, action, reward, next_obs, terminal):
""" 使用DQN算法更新self.model的value網絡
"""
# 1. 從target_model中獲取 max Q' 的值,用於計算target_Q(目標值)
next_pred_value = self.target_model.value(next_obs)
# 獲得下一步狀態下,所以可執行動作的 Q 值
best_v = layers.reduce_max(next_pred_value, dim=1)
# 求最大 Q 值
best_v.stop_gradient = True # 阻止梯度傳遞
terminal = layers.cast(terminal, dtype='float32')
# 把 terminal 轉化爲 float32 類型
target = reward + (1.0 - terminal) * self.gamma * best_v
#
# 2. 獲取 Q (預測值)
pred_value = self.model.value(obs) # 正向傳播,即獲得了該狀態下,所有動作對應的 Q 值
# 將action轉onehot向量,比如:3 => [0,0,0,1,0]
action_onehot = layers.one_hot(action, self.act_dim)
# 輸入的動作值,比如 4,根據 depth 即動作維度,轉化爲對應的 one-hot
action_onehot = layers.cast(action_onehot, dtype='float32')
# 設定 one-hot 中的值爲 float32 類型
# 下面一行是逐元素相乘,拿到action對應的 Q(s,a)
# 比如:pred_value = [[2.3, 5.7, 1.2, 3.9, 1.4]], action_onehot = [[0,0,0,1,0]]
# ==> pred_action_value = [[3.9]]
pred_action_value = layers.reduce_sum(
layers.elementwise_mul(action_onehot, pred_value), dim=1)
# 當前狀態下,執行該 action 得到的 Q 值(預測值)
# 3. 計算 Q(s,a) 與 target_Q的均方差,得到loss
cost = layers.square_error_cost(pred_action_value, target)
# 損失函數爲舊的 Q 和 目標 Q 之間的差別(均方差)
cost = layers.reduce_mean(cost)
# 均值
optimizer = fluid.optimizer.Adam(learning_rate=self.lr) # 使用Adam優化器
optimizer.minimize(cost) # 目標是最小化損失函數
return cost
def sync_target(self):
""" 把 self.model 的模型參數值同步到 self.target_model
"""
self.model.sync_weights_to(self.target_model)
# 這是 parl.Model 這個基類下的方法,用於定時爲target_model做參數同步
六、Agent
Agent
負責算法與環境的交互,在交互過程中把生成的數據提供給Algorithm
來更新模型(Model
),數據的預處理流程也一般定義在這裏。
-
這裏 learn() 函數的輸入也是從經驗池中拿到的一個 batch 的數據,然後進行對應的變量賦值
-
變量的定義是在 build_program() 中(計算圖)完成,包括變量的 類型 dtype,結構 shape,名字 name
-
然後每執行一次 learn() 就是把數據通過 feed 傳入 program,然後獲取 fetch_list 中的 self.cost
-
每一次執行 run 就是完成了一次網絡的更新
-
-
這裏還有一個計算圖 pred_program 用於獲取最大的 Q 值(預測值)下的 action
- 首先通過 predict() 函數,調用 alg 中的 predict() 計算最大的 Q 值
- 然後獲取對應的 action,僅需使用 np.argmax 函數
- 然後通過 sample() 函數決定是利用還是探索,選擇具體執行的動作
class Agent(parl.Agent):
# 繼承了 parl.Agent 這個基類
# 其實基類下只有一個 save 和 restore 方法
# 其他的方法:build_program,learn,predict,sample 都是空的
def __init__(self,
algorithm, # 算法
obs_dim, # 狀態的維度
act_dim, # 動作的維度
e_greed=0.1, # 10% 的隨機探索概率
e_greed_decrement=0): # 概率遞減爲 0
assert isinstance(obs_dim, int) # 斷言,狀態維度,爲 int
assert isinstance(act_dim, int) # 斷言,動作維度,爲 int
self.obs_dim = obs_dim # 初始化賦值
self.act_dim = act_dim # 初始化賦值
super(Agent, self).__init__(algorithm)
#
self.global_step = 0 #
self.update_target_steps = 200 # 每隔200個training steps再把model的參數複製到target_model中
self.e_greed = e_greed # 有一定概率隨機選取動作,探索
self.e_greed_decrement = e_greed_decrement # 隨着訓練逐步收斂,探索的程度慢慢降低
def build_program(self):
self.pred_program = fluid.Program() # 初始化一個 paddle.fluid 框架下的程序
self.learn_program = fluid.Program() # 初始化一個 paddle.fluid 框架下的程序
with fluid.program_guard(self.pred_program): # 搭建計算圖用於 預測動作,定義輸入輸出變量
# 把下面的語句添加到 self.pred_program 程序中
obs = layers.data(
name='obs', shape=[self.obs_dim], dtype='float32')
# 將 obs 設定爲數據變量
self.value = self.alg.predict(obs)
#
with fluid.program_guard(self.learn_program): # 搭建計算圖用於 更新Q網絡,定義輸入輸出變量
# 把下面的語句添加到 self.learn_program 程序中
obs = layers.data(
name='obs', shape=[self.obs_dim], dtype='float32')
# 將 obs 設定爲數據變量
action = layers.data(name='act', shape=[1], dtype='int32')
# 將 action 設定爲數據變量
reward = layers.data(name='reward', shape=[], dtype='float32')
# 將 reward 設定爲數據變量
next_obs = layers.data(
name='next_obs', shape=[self.obs_dim], dtype='float32')
# 將 next_obs 設定爲數據變量
terminal = layers.data(name='terminal', shape=[], dtype='bool')
# 將 terminal 設定爲數據變量
self.cost = self.alg.learn(obs, action, reward, next_obs, terminal)
#
def sample(self, obs): # 採樣動作
sample = np.random.rand() # 產生0~1之間的小數
if sample < self.e_greed: # 小於 0.1,即 10% 的概率
act = np.random.randint(self.act_dim) # 探索:每個動作都有概率被選擇
else:
act = self.predict(obs) # 選擇最優動作
self.e_greed = max(
0.01, self.e_greed - self.e_greed_decrement) # 隨着訓練逐步收斂,探索的程度慢慢降低
return act
def predict(self, obs): # 選擇最優動作
obs = np.expand_dims(obs, axis=0) # 將數字轉化爲一維向量
pred_Q = self.fluid_executor.run(
self.pred_program,
feed={'obs': obs.astype('float32')},
fetch_list=[self.value])[0]
# 執行定義好的程序,獲取 obs 狀態下的,所有動作的 Q 值
pred_Q = np.squeeze(pred_Q, axis=0)
# 壓縮一個維度
act = np.argmax(pred_Q) # 選擇Q最大的下標,即對應的動作
return act
def learn(self, obs, act, reward, next_obs, terminal):
# 每隔200個training steps同步一次model和target_model的參數
if self.global_step % self.update_target_steps == 0:
self.alg.sync_target()
#
self.global_step += 1
# 步數+1
act = np.expand_dims(act, -1) # 將數字轉化爲一維向量
feed = {
'obs': obs.astype('float32'),
'act': act.astype('int32'),
'reward': reward,
'next_obs': next_obs.astype('float32'),
'terminal': terminal
}
# 定義所有傳入的數據
cost = self.fluid_executor.run(
self.learn_program, feed=feed, fetch_list=[self.cost])[0] # 訓練一次網絡
return cost
七、ReplayMemory
經驗池:用於存儲多條經驗,實現 經驗回放。
import random
import collections
import numpy as np
class ReplayMemory(object):
def __init__(self, max_size):
self.buffer = collections.deque(maxlen=max_size)
# 初始化一個雙向列表,長度爲 max_size
# 增加一條經驗到經驗池中
def append(self, exp):
self.buffer.append(exp)
# 在列表尾部增加一條經驗
# 從經驗池中選取N條經驗出來
def sample(self, batch_size):
mini_batch = random.sample(self.buffer, batch_size)
# 從緩存列表中,隨機去除 batch_size 條經驗
obs_batch, action_batch, reward_batch, next_obs_batch, done_batch = [], [], [], [], []
# 初始化列表
for experience in mini_batch:
s, a, r, s_p, done = experience # 從 mini_batch 中去取得對應元素
# 加入各自的列表中
obs_batch.append(s)
action_batch.append(a)
reward_batch.append(r)
next_obs_batch.append(s_p)
done_batch.append(done)
# 轉化爲 numpy 的數組進行返回
return np.array(obs_batch).astype('float32'), \
np.array(action_batch).astype('float32'), np.array(reward_batch).astype('float32'),\
np.array(next_obs_batch).astype('float32'), np.array(done_batch).astype('float32')
def __len__(self):
return len(self.buffer) # 設定一個參數 len 是緩存的長度
八、Training && Test(訓練&&測試)
訓練的時候,需要先填滿經驗池纔開始
- 採用 sample 方式,有探索概率
評估的時候,這裏設定爲 5 個 episode 求平均分
- 這是因爲強化學習有一定不確定性
- 環境也有隨機選
- 所以哪怕是一個訓練好的 agent,單次的 episode 的分數也可能特別差/特別好
- 所以多跑幾組求平均這樣的評估比較客觀
# 訓練一個episode
def run_episode(env, agent, rpm):
total_reward = 0 # 累計獎勵初始化
obs = env.reset() # 初始化一個環境,返回值是初始狀態 obs
step = 0 # 初始化步數
while True:
step += 1
action = agent.sample(obs) # 採樣動作,所有動作都有概率被嘗試到
next_obs, reward, done, _ = env.step(action)
rpm.append((obs, action, reward, next_obs, done))
# train model
if (len(rpm) > MEMORY_WARMUP_SIZE) and (step % LEARN_FREQ == 0):
(batch_obs, batch_action, batch_reward, batch_next_obs,
batch_done) = rpm.sample(BATCH_SIZE)
train_loss = agent.learn(batch_obs, batch_action, batch_reward,
batch_next_obs,
batch_done) # s,a,r,s',done
total_reward += reward
obs = next_obs
if done:
break
return total_reward
# 評估 agent, 跑 5 個episode,總reward求平均
def evaluate(env, agent, render=False):
eval_reward = []
for i in range(5):
obs = env.reset()
episode_reward = 0
while True:
action = agent.predict(obs) # 預測動作,只選最優動作
obs, reward, done, _ = env.step(action)
episode_reward += reward
if render:
env.render()
if done:
break
eval_reward.append(episode_reward)
return np.mean(eval_reward)
九、創建環境和Agent,創建經驗池,啓動訓練,保存模型
env = gym.make('CartPole-v0') # CartPole-v0: 預期最後一次評估總分 > 180(最大值是200)
action_dim = env.action_space.n # CartPole-v0: 2
obs_shape = env.observation_space.shape # CartPole-v0: (4,)
rpm = ReplayMemory(MEMORY_SIZE) # DQN的經驗回放池實例化
# 根據parl框架構建agent
model = Model(act_dim=action_dim) # 模型實例化
algorithm = DQN(model, act_dim=action_dim, gamma=GAMMA, lr=LEARNING_RATE) # 算法實例化(傳入模型)
# agent 實例化(傳入算法)
agent = Agent(
algorithm,
obs_dim=obs_shape[0],
act_dim=action_dim,
e_greed=0.1, # 有一定概率隨機選取動作,探索
e_greed_decrement=1e-6) # 隨着訓練逐步收斂,探索的程度慢慢降低
# 加載模型
# save_path = './dqn_model.ckpt'
# agent.restore(save_path)
# 先往經驗池裏存一些數據,避免最開始訓練的時候樣本豐富度不夠
while len(rpm) < MEMORY_WARMUP_SIZE: # 當經驗池不滿的時候(這裏小於 200 條)
run_episode(env, agent, rpm) # 持續添加到經驗池(沒有開始進行訓練)
max_episode = 2000
# 開始訓練
episode = 0
while episode < max_episode: # 訓練max_episode個回合,test部分不計算入episode數量
# train part
for i in range(0, 50):
total_reward = run_episode(env, agent, rpm)
episode += 1
# test part
eval_reward = evaluate(env, agent, render=False) # render=True 查看顯示效果
logger.info('episode:{} e_greed:{} test_reward:{}'.format(
episode, agent.e_greed, eval_reward))
# 訓練結束,保存模型
save_path = './dqn_model.ckpt'
agent.save(save_path)