策略梯度训练cartpole小游戏

我原来已经安装了anaconda，在此基础上进入cmd进行pip install tensorflow和pip install gym就可以了. 在win10的pycharm做的。

policy_gradient.py

 # -*- coding: UTF-8 -*-

 """
 Policy Gradient 算法（REINFORCE）。做决策的部分，相当于机器人的大脑
 """

 import numpy as np
 import tensorflow as tf

 try:
     xrange = xrange  # Python 2
 except:
     xrange = range   # Python 3

 # 策略梯度 类
 class PolicyGradient:
     def __init__(self,
                  lr,      # 学习速率
                  s_size,  # state/observation 的特征数目
                  a_size,  # action 的数目
                  h_size,  # hidden layer（隐藏层）神经元数目
                  discount_factor=0.99  # 折扣因子
     ):
         self.gamma = discount_factor  # Reward 递减率

         # 神经网络的前向传播部分。大脑根据 state 来选 action
         self.state_in = tf.placeholder(shape=[None, s_size], dtype=tf.float32)

         # 第一层全连接层
         hidden = tf.layers.dense(self.state_in, h_size, activation=tf.nn.relu)

         # 第二层全连接层，用 Softmax 来算概率
         self.output = tf.layers.dense(hidden, a_size, activation=tf.nn.softmax)

         # 直接选择概率最大的那个 action
         self.chosen_action = tf.argmax(self.output, 1)

         # 下面主要是负责训练的一些过程
         # 我们给神经网络传递 reward 和 action，为了计算 loss
         # 再用 loss 来调节神经网络的参数
         self.reward_holder = tf.placeholder(shape=[None], dtype=tf.float32)
         self.action_holder = tf.placeholder(shape=[None], dtype=tf.int32)

         self.indexes = tf.range(0, tf.shape(self.output)[0]) * tf.shape(self.output)[1] + self.action_holder
         self.outputs = tf.gather(tf.reshape(self.output, [-1]), self.indexes)

         # 计算 loss（和平时说的 loss 不一样）有一个负号
         # 因为 TensorFlow 自带的梯度下降只能 minimize（最小化）loss
         # 而 Policy Gradient 里面是要让这个所谓的 loss 最大化
         # 因此需要反一下。对负的去让它最小化，就是让它正向最大化
         self.loss = -tf.reduce_mean(tf.log(self.outputs) * self.reward_holder)

         # 得到可被训练的变量
         train_vars = tf.trainable_variables()

         self.gradient_holders = []

         for index, var in enumerate(train_vars):
             placeholder = tf.placeholder(tf.float32, name=str(index) + '_holder')
             self.gradient_holders.append(placeholder)

         # 对 loss 以 train_vars 来计算梯度
         self.gradients = tf.gradients(self.loss, train_vars)

         optimizer = tf.train.AdamOptimizer(learning_rate=lr)
         # apply_gradients 是 minimize 方法的第二部分，应用梯度
         self.update_batch = optimizer.apply_gradients(zip(self.gradient_holders, train_vars))

     # 计算折扣后的 reward
     # 公式： E = r1 + r2 * gamma + r3 * gamma * gamma + r4 * gamma * gamma * gamma ...
     def discount_rewards(self, rewards):
         discounted_r = np.zeros_like(rewards)
         running_add = 0
         for t in reversed(xrange(0, rewards.size)):
             running_add = running_add * self.gamma + rewards[t]
             discounted_r[t] = running_add
         return discounted_r

play.py

 # -*- coding: UTF-8 -*-

 """
 游戏的主程序，调用机器人的 Policy Gradient 决策大脑
 """

 import numpy as np
 import gym
 import tensorflow as tf

 from policy_gradient import PolicyGradient

 # 伪随机数。为了能够复现结果
 np.random.seed(1)

 env = gym.make('CartPole-v0')
 env = env.unwrapped    # 取消限制
 env.seed(1)   # 普通的 Policy Gradient 方法, 回合的方差比较大, 所以选一个好点的随机种子

 print(env.action_space)            # 查看这个环境中可用的 action 有多少个
 print(env.observation_space)       # 查看这个环境中 state/observation 有多少个特征值
 print(env.observation_space.high)  # 查看 observation 最高取值
 print(env.observation_space.low)   # 查看 observation 最低取值

 update_frequency = 5   # 更新频率，多少回合更新一次
 total_episodes = 3000  # 总回合数

 # 创建 PolicyGradient 对象
 agent = PolicyGradient(lr=0.01,
                        a_size=env.action_space.n,   # 对 CartPole-v0 是 2, 两个 action，向左/向右
                        s_size=env.observation_space.shape[0],  # 对 CartPole-v0 是 4
                        h_size=8)

 with tf.Session() as sess:
     # 初始化所有全局变量
     sess.run(tf.global_variables_initializer())

     # 总的奖励
     total_reward = []

     gradient_buffer = sess.run(tf.trainable_variables())
     for index, grad in enumerate(gradient_buffer):
         gradient_buffer[index] = grad * 0

     i = 0  # 第几回合
     while i < total_episodes:
         # 初始化 state（状态）
         s = env.reset()

         episode_reward = 0
         episode_history = []

         while True:
             # 更新可视化环境
             env.render()

             # 根据神经网络的输出，随机挑选 action
             a_dist = sess.run(agent.output, feed_dict={agent.state_in: [s]})
             a = np.random.choice(a_dist[0], p=a_dist[0])
             a = np.argmax(a_dist == a)

             # 实施这个 action, 并得到环境返回的下一个 state, reward 和 done(本回合是否结束)
             s_, r, done, _ = env.step(a)  # 这里的 r（奖励）不能准确引导学习

             x, x_dot, theta, theta_dot = s_  # 把 s_ 细分开, 为了修改原配的 reward

             # x 是车的水平位移。所以 r1 是车越偏离中心, 分越少
             # theta 是棒子离垂直的角度, 角度越大, 越不垂直。所以 r2 是棒越垂直, 分越高
             r1 = (env.x_threshold - abs(x)) / env.x_threshold - 0.8
             r2 = (env.theta_threshold_radians - abs(theta)) / env.theta_threshold_radians - 0.5
             r = r1 + r2  # 总 reward 是 r1 和 r2 的结合, 既考虑位置, 也考虑角度, 这样学习更有效率

             episode_history.append([s, a, r, s_])

             episode_reward += r
             s = s_

             # Policy Gradient 是回合更新
             if done:  # 如果此回合结束
                 # 更新神经网络
                 episode_history = np.array(episode_history)

                 episode_history[:, 2] = agent.discount_rewards(episode_history[:, 2])

                 feed_dict = {
                     agent.reward_holder: episode_history[:, 2],
                     agent.action_holder: episode_history[:, 1],
                     agent.state_in: np.vstack(episode_history[:, 0])
                 }

                 # 计算梯度
                 grads = sess.run(agent.gradients, feed_dict=feed_dict)

                 for idx, grad in enumerate(grads):
                     gradient_buffer[idx] += grad

                 if i % update_frequency == 0 and i != 0:
                     feed_dict = dictionary = dict(zip(agent.gradient_holders, gradient_buffer))

                     # 应用梯度下降来更新参数
                     _ = sess.run(agent.update_batch, feed_dict=feed_dict)

                     for index, grad in enumerate(gradient_buffer):
                         gradient_buffer[index] = grad * 0

                 total_reward.append(episode_reward)
                 break

         # 每 50 回合打印平均奖励
         if i % 50 == 0:
             print("回合 {} - {} 的平均奖励: {}".format(i, i + 50, np.mean(total_reward[-50:])))

         i += 1

启动训练：

会报一些警告，不用理会，训练到奖励大概有300分的时候，就比较稳定了，能较好的平衡杠子了

　　还有另外一个游戏Mountain-car小游戏也可以基于策略梯度来做， 这个小游戏的说明见“基于核方法的强化学习算法-----何源，张文生”里面有一段说明了这个小游戏：

这个具体的实现下回继续。。。