这篇没搞懂。。。这里只对实现做记录。

修改的地方也只是在上一篇的基础上,在“记忆回放”函数里,计算 target Q 时取值做下调整即可。

    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.network.replace_target_stepper == 0:
self.network.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])) q_next = self.network.get_next_q(batch_next_state)
q_eval4next = self.network.get_q(batch_next_state) # q_eval 得出的最高奖励动作。
max_act4next = np.argmax(q_eval4next, axis=1) q_target = []
for i in range(len(minibatch)):
# Double DQN 选择 q_next 依据 q_eval 选出的动作。
selected_q_next = q_next[i, max_act4next]
max_q = selected_q_next[0] # 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 * max_q # 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) self.network.train(batch_state, q_target, batch_action) self.learn_step_counter += 1

完整代码

神经网络部分:

import tensorflow as tf
import numpy as np class DeepQNetwork:
# 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 = 0 def __init__(self, input_num, output_num, learning_rate=0.001, replace_target_stepper=300, session=None):
self.learning_rate = learning_rate
self.INPUT_NUM = input_num
self.OUTPUT_NUM = output_num
self.replace_target_stepper = replace_target_stepper self.create() if session is None:
self.session = tf.InteractiveSession()
self.session.run(tf.initialize_all_variables()) def create(self):
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.INPUT_NUM], dtype=tf.float32, name="q_eval_input")
self.q_action_input = tf.placeholder(shape=[None, self.OUTPUT_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.INPUT_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.OUTPUT_NUM], initializer=w_init, collections=q_name)
b2 = tf.get_variable('b2', [1, self.OUTPUT_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.INPUT_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.INPUT_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.OUTPUT_NUM], initializer=w_init, collections=t_name)
b2 = tf.get_variable('b2', [1, self.OUTPUT_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。
:return:
"""
# 提取 target_net 的参数。
t_params = tf.get_collection('target_net_params')
# 提取 eval_net 的参数。
e_params = tf.get_collection('eval_net_params')
# 更新 target_net 参数。
self.session.run([tf.assign(t, e) for t, e in zip(t_params, e_params)]) def get_q(self, input_data):
return self.session.run(self.q_eval_output, {self.q_eval_input: input_data}) def get_next_q(self, input_data):
return self.session.run(self.q_target_output, {self.q_target_input: input_data}) def get_predict(self, input_data):
return np.max(self.get_q(input_data)) def get_action(self, input_data):
return np.argmax(self.get_q(input_data)) def train(self, input_data, y_, action_input):
_, cost = self.session.run([self.train_op, self.loss],
feed_dict={self.q_eval_input: input_data,
self.q_action_input: action_input,
self.q_eval_target: y_})
return cost

主逻辑实现:

import numpy as np
from collections import deque
import random
from q_network import DeepQNetwork class Agent: 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],
]) # 神经网络。
network = None def __init__(self):
# 执行步数。
self.step_index = 0 # 状态数。
self.STATE_NUM = 6 # 动作数。
self.ACTION_NUM = 6 # 记忆上限。
self.memory_size = 5000 # 当前记忆数。
self.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。
self.replay_memory_store = deque() # 训练之前观察多少步。
self.OBSERVE = 5000 # 训练步数统计。
self.learn_step_counter = 0 # 选取的小批量训练样本数。
self.BATCH = 20 # γ经验折损率。
self.gamma = 0.9 # -------------------- 探索策略 -------------------- #
# epsilon 的最小值,当 epsilon 小于该值时,将不在随机选择行为。
self.FINAL_EPSILON = 0.0001 # epsilon 的初始值,epsilon 逐渐减小。
self.INITIAL_EPSILON = 0.1 # epsilon 衰减的总步数。
self.EXPLORE = 3000000. # 探索模式计数。
self.epsilon = 0
# -------------------- 探索策略 -------------------- # # 生成神经网络。
self.network = DeepQNetwork(input_num=self.STATE_NUM,
output_num=self.ACTION_NUM,
learning_rate=0.001,
replace_target_stepper=300,
session=None) # 生成一个状态矩阵(6 X 6),每一行代表一个状态。
self.state_list = np.identity(self.STATE_NUM) # 生成一个动作矩阵。
self.action_list = np.identity(self.ACTION_NUM) def select_action(self, current_state_index):
"""
根据策略选择动作。
:param current_state_index:
:return:
"""
# 获得当前状态。
current_state = self.state_list[current_state_index:current_state_index + 1] # 根据当前状态获得在 Q 网络中最有价值的动作,并返回动作序号。
current_action_index = self.network.get_action(current_state) 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 run_game(self, state_index, action_index):
"""
执行动作。
:param state_index: 当前状态。
:param action_index: 执行的动作。
:return:
"""
reward = self.r[state_index][action_index] next_state = action_index done = False if action_index == 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.network.replace_target_stepper == 0:
self.network.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]))

    
q_next = self.network.get_next_q(batch_next_state)
q_eval4next = self.network.get_q(batch_next_state) # q_eval 得出的最高奖励动作。
max_act4next = np.argmax(q_eval4next, axis=1) q_target = []
for i in range(len(minibatch)):
# Double DQN 选择 q_next 依据 q_eval 选出的动作。
selected_q_next = q_next[i, max_act4next]
max_q = selected_q_next[0] # 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 * max_q # 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) self.network.train(batch_state, q_target, batch_action) 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.run_game(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:
next_state = self.network.get_action(self.state_list[current_state:current_state + 1]) 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", "#############################") if __name__ == "__main__":
agent = Agent()
agent.pay()

Deep Q-Network 学习笔记(四)—— 改进②:double dqn的更多相关文章

  1. 强化学习系列之:Deep Q Network (DQN)

    文章目录 [隐藏] 1. 强化学习和深度学习结合 2. Deep Q Network (DQN) 算法 3. 后续发展 3.1 Double DQN 3.2 Prioritized Replay 3. ...

  2. 深度增强学习--Deep Q Network

    从这里开始换个游戏演示,cartpole游戏 Deep Q Network 实例代码 import sys import gym import pylab import random import n ...

  3. AlphaGo的前世今生(一)Deep Q Network and Game Search Tree:Road to AI Revolution

    这一个专题将会是有关AlphaGo的前世今生以及其带来的AI革命,总共分成三节.本人水平有限,如有错误还望指正.如需转载,须征得本人同意. Road to AI Revolution(通往AI革命之路 ...

  4. Network In Network学习笔记

    Network In Network学习笔记 原文地址:http://blog.csdn.net/hjimce/article/details/50458190 作者:hjimce 一.相关理论 本篇 ...

  5. Deep Q Network(DQN)原理解析

    1. 前言 在前面的章节中我们介绍了时序差分算法(TD)和Q-Learning,当状态和动作空间是离散且维数不高时可使用Q-Table储存每个状态动作对的Q值,而当状态和动作空间是高维连续时,使用Q- ...

  6. 官网实例详解-目录和实例简介-keras学习笔记四

    官网实例详解-目录和实例简介-keras学习笔记四 2018-06-11 10:36:18 wyx100 阅读数 4193更多 分类专栏: 人工智能 python 深度学习 keras   版权声明: ...

  7. 深度学习(二十六)Network In Network学习笔记

    深度学习(二十六)Network In Network学习笔记 Network In Network学习笔记 原文地址:http://blog.csdn.net/hjimce/article/deta ...

  8. C#可扩展编程之MEF学习笔记(四):见证奇迹的时刻

    前面三篇讲了MEF的基础和基本到导入导出方法,下面就是见证MEF真正魅力所在的时刻.如果没有看过前面的文章,请到我的博客首页查看. 前面我们都是在一个项目中写了一个类来测试的,但实际开发中,我们往往要 ...

  9. muduo网络库学习笔记(四) 通过eventfd实现的事件通知机制

    目录 muduo网络库学习笔记(四) 通过eventfd实现的事件通知机制 eventfd的使用 eventfd系统函数 使用示例 EventLoop对eventfd的封装 工作时序 runInLoo ...

  10. Linux学习笔记(四) vi编辑器

    一.vi 编辑器 vi 编辑器 (Visual Interface) 是所有 Unix 及 Linux 系统下标准的编辑器,相当于 Windows 系统中的记事本 它有三种模式,分别是: Comman ...

随机推荐

  1. Unity3d ugui 实现image代码换图

    核心脚本代码 Image IMGE = transform.Find("IMGE").GetComponent<Image>();Sprite sprite1 = Re ...

  2. asp.net core 使用identityServer4的密码模式来进行身份认证(一)

    IdentityServer4是ASP.NET Core的一个包含OpenID和OAuth 2.0协议的框架.具体Oauth 2.0和openId请百度. 前言本博文适用于前后端分离或者为移动产品来后 ...

  3. C#实现墨卡托投影坐标系经纬度与米制单位之间的互转

    using System; using GeoJSON.Net.Geometry; namespace GISWebService.Common { /// <summary> /// 墨 ...

  4. 基于VMware Workstation搭建开发服务器

    基于VMware Workstation搭建开发服务器   文章为本人原创,转载请联系作者并注明出处.晓松 源URL: https://www.jianshu.com/p/e62ab7de0124 我 ...

  5. SQL查询和替换含有回车,空格,TAB,等

    ---如下是查询语句 --查询名称有退格键 ),item_name) go --查询名称有制表符tab ),item_name) go --查询名称有换行 ),item_name) go --查询名称 ...

  6. akka开发(一)HelloWorld

    package com.hfi.helloakka; import akka.actor.ActorRef; import akka.actor.Props; import akka.actor.Un ...

  7. python 神经网络包 NeuroLab

    neurolab模块相当于Matlab的神经网络工具箱(NNT) neurolab模块支持的网络类型: 单层感知机(single layer perceptron) 多层前馈感知机(Multilaye ...

  8. django 自定义中间件 middleware

    Django 中间件 Django中的中间件是一个轻量级.底层的插件系统,可以介入Django的请求和响应处理过程,修改Django的输入或输出.中间件的设计为开发者提供了一种无侵入式的开发方式,增强 ...

  9. java中的IO流(输入流与输出流)概述与总结

    Java中IO流,输入输出流概述与总结 总结的很粗糙,以后时间富裕了好好修改一下. 1:Java语言定义了许多类专门负责各种方式的输入或者输出,这些类都被放在java.io包中.其中, 所有输入流类都 ...

  10. avalon的使用与总结

    avalon是前端MVVM框架,将所有前端代码彻底分成两部分,视图的处理通过绑定实现(angular有个更炫酷的名词叫指令),业务逻辑则集中在一个个叫VM的对象中处理.我们只要操作VM的数据,它就自然 ...