强化学习 DQN 玩转 gym Mountain Car

源代码/数据集已上传到 Github - tensorflow-tutorial-samples

这篇文章是 TensorFlow 2.0 Tutorial 入门教程的第八篇文章。

实现DQN(Deep Q-Learning Network)算法，代码90行

MountainCar 简介

上一篇文章TensorFlow 2.0 (七) - 强化学习 Q-Learning 玩转 OpenAI gym介绍了如何用Q表(Q-Table)，来更新策略，使小车顺利达到山顶，整个代码只有50行。我们先回顾一下上一篇文章的要点。

1. MountainCar-v0 的游戏目标

向左/向右推动小车，小车若到达山顶，则游戏胜利，若200回合后，没有到达山顶，则游戏失败。每走一步得-1分，最低分-200，越早到达山顶，则分数越高。

2. MountainCar-v0 的几个重要的变量

• State: [position, velocity]，position 范围 [-0.6, 0.6]，velocity 范围 [-0.1, 0.1]

• Action: 0(向左推) 或 1(不动) 或 2(向右推)

• Reward: -1

• Done: 小车到达山顶或已花费200回合

3. Q-Table 的更新方程

Q[s][a] = (1 - lr) * Q[s][a] + lr * (reward + factor * max(Q[next_s]))

神经网络替换 Q-Table

这一篇文章，我们将借助TensorFlow 2.0中的keras库，搭建深度神经网络(Deep Netural Network, DNN)，替代Q-Table，即深度Q网络(Deep Q-Learning Network, DQN)，实现Q值的计算。

我们将神经网络比作一个函数，神经网络代替Q-Table其实就是在做 函数拟合，也可以称为值函数近似(Value Function Approximation)。

维基百科上有一个万能近似定理(Universal approximation theorem)，Universal approximation theorem定理表明：前馈神经网络，只需具备单层隐含层和有限个神经单元，就能以任意精度拟合任意复杂度的函数。

这是我们上篇文章定义的Q-Table

1

Q = defaultdict(lambda: [0, 0, 0])

• 输入(key): 一维向量，(position, velocity)

• 输出(value)：一维向量，(action0_value, action1_value, action2_value)

接下来那我们按照定义的输入输出，简单搭一个神经网络吧。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38

# dqn.py
# https://geektutu.com
from collections import deque
import random
import gym
import numpy as np
from tensorflow.keras import models, layers, optimizers
class DQN(object):
    def __init__(self):
        self.step = 0
        self.update_freq = 200  # 模型更新频率
        self.replay_size = 2000  # 训练集大小
        self.replay_queue = deque(maxlen=self.replay_size)
        self.model = self.create_model()
        self.target_model = self.create_model()
    def create_model(self):
        """创建一个隐藏层为100的神经网络"""
        STATE_DIM, ACTION_DIM = 2, 3
        model = models.Sequential([
            layers.Dense(100, input_dim=STATE_DIM, activation='relu'),
            layers.Dense(ACTION_DIM, activation="linear")
        ])
        model.compile(loss='mean_squared_error',
                      optimizer=optimizers.Adam(0.001))
        return model
    def act(self, s, epsilon=0.1):
        """预测动作"""
        # 刚开始时，加一点随机成分，产生更多的状态
        if np.random.uniform() < epsilon - self.step * 0.0002:
            return np.random.choice([0, 1, 2])
        return np.argmax(self.model.predict(np.array([s]))[0])
    def save_model(self, file_path='MountainCar-v0-dqn.h5'):
        print('model saved')
        self.model.save(file_path)

网络结构很简单，只有一层隐藏层的全连接网络(Full Connected Network, FC)。但是我们用这个网络结构生成了2个model，一个是预测使用的model，另一个是训练时使用的target_model。看完下面的代码，就容易理解了。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32

# dqn.py
# https://geektutu.com
class DQN(object):
    # 省略 __init__, create_model, act, save_model，见上。
    def remember(self, s, a, next_s, reward):
        """历史记录，position >= 0.4时给额外的reward，快速收敛"""
        if next_s[0] >= 0.4:
            reward += 1
        self.replay_queue.append((s, a, next_s, reward))
    def train(self, batch_size=64, lr=1, factor=0.95):
        if len(self.replay_queue) < self.replay_size:
            return
        self.step += 1
        # 每 update_freq 步，将 model 的权重赋值给 target_model
        if self.step % self.update_freq == 0:
            self.target_model.set_weights(self.model.get_weights())
        replay_batch = random.sample(self.replay_queue, batch_size)
        s_batch = np.array([replay[0] for replay in replay_batch])
        next_s_batch = np.array([replay[2] for replay in replay_batch])
        Q = self.model.predict(s_batch)
        Q_next = self.target_model.predict(next_s_batch)
        # 使用公式更新训练集中的Q值
        for i, replay in enumerate(replay_batch):
            _, a, _, reward = replay
            Q[i][a] = (1 - lr) * Q[i][a] + lr * (reward + factor * np.amax(Q_next[i]))
        # 传入网络进行训练
        self.model.fit(s_batch, Q, verbose=0)

整个结构如下图所示：

我们需要用到上文提到的更新方程，来构造训练数据。其中Q_next是对next_s的预测值，在这里其实也可以使用model，但是model变化得太过频繁，而且我们在训练时，是以batch为单位进行训练的，也就是说很多训练数据对应的是之前状态的model，而不是频繁更新值的model，因此，我们使用更新频率低的target_model来计算next_s的Q值。

同时使用2个Q-Network的算法被称为双Q网络(Double DQN, DDQN)。因为传统的DQN普遍会过高估计Action的Q值，误差会随着Action的增加而增加，可能导致某个次优的值超过了最优Action的Q值，永远无法找到最优解。DDQN能够有效地解决这个问题。DQN 在比较简单的游戏，比如CartPole-v0能够取得较好的效果，但在MountainCar-v0这个游戏中，如果只使用 DQN 很难找到最优解。

target_model每训练update_freq(200)次，更新权重与model一致。

那为什么在Q-Table中，可以用单步的数据来进行更新，但换作了神经网络，就需要以batch为单位来进行训练呢？这个问题在知乎有过讨论，链接在这里：深度学习中的batch的大小对学习效果有何影响？，简单说，如果单步训练，即batch为1，每次朝着单步的梯度方向修正，横冲直撞各自为政，难以收敛。如果batch过大，容易过拟合。而且DQN是增强学习算法，前面的训练数据质量较差，随着训练的进行，产生的动作价值越来越高，增强学习更为看重后面的训练数据，所以batch也不宜过大。

而这一点，也是replay_queue的最大容量设置为2000的原因。队列有先进先出的特性，当后面的数据加进来后，如果数据条数超过2000，前面的数据就会从队列中移除。后面的训练数据对于强化学习更重要。

可改动的 Reward

代码中还有这么一个细节：

1
2

if next_s[0] >= 0.4:
    reward += 1

MountainCar-v0这个游戏中，State由2个值构成，(position, velocity)。山顶的位置是0.5，因此当position大于0.4时，给Reward额外加1。这么做，是希望加快神经网络的收敛，更快地达到预期结果。每一步的Reward其实都是可以调整的，怎么做会让训练效果更好，可以动动脑，尝试尝试。

提前终止的 DQN 训练

好，神经网络已经准备就绪，接下来就开始训练吧。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

# dqn.py
# https://geektutu.com
env = gym.make('MountainCar-v0')
episodes = 1000  # 训练1000次
score_list = []  # 记录所有分数
agent = DQN()
for i in range(episodes):
    s = env.reset()
    score = 0
    while True:
        a = agent.act(s)
        next_s, reward, done, _ = env.step(a)
        agent.remember(s, a, next_s, reward)
        agent.train()
        score += reward
        s = next_s
        if done:
            score_list.append(score)
            print('episode:', i, 'score:', score, 'max:', max(score_list))
            break
    # 最后10次的平均分大于 -160 时，停止并保存模型
    if np.mean(score_list[-10:]) > -160:
        agent.save_model()
        break
env.close()

如果看过TensorFlow 2.0 (六) - 监督学习玩转 OpenAI gym game和TensorFlow 2.0 (七) - 强化学习 Q-Learning 玩转 OpenAI gym这两篇文章的话，这部分代码就非常简单了。

我们在训练过程中，记录了每一次游戏的分数。并且，如果最近10次的平均分高于-160时，结束训练，并保存模型。

运行一下，看看效果吧。

1
2
3
4
5
6
7
8
9
10
11
12

$ python dqn.py
episode: 0 score: -200.0 max: -200.0
episode: 1 score: -200.0 max: -200.0
episode: 2 score: -200.0 max: -200.0
...
episode: 124 score: -200.0 max: -200.0
episode: 125 score: -138.0 max: -138.0
...
episode: 166 score: -144.0 max: -97.0
episode: 167 score: -166.0 max: -97.0
episode: 168 score: -136.0 max: -97.0
model saved

可以看到，在第125次时，首次成功爬到了山顶，在168次的时候，平均分达到预期，停止了训练。

训练效果绘图

接下来，我们添加3行代码，将整个训练过程中的score_list的变化情况画出来，直观感受强化学习的学习过程。

1
2
3
4

import matplotlib.pyplot as plt
plt.plot(score_list, color='green')
plt.show()

模型预测/测试

和之前一样，准备了一个非常简单的可视化的测试代码，直观地感受下最终的游戏效果。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

# test_dqn.py
# https://geektutu.com
import time
import gym
import numpy as np
from tensorflow.keras import models
env = gym.make('MountainCar-v0')
model = models.load_model('MountainCar-v0-dqn.h5')
s = env.reset()
score = 0
while True:
    env.render()
    time.sleep(0.01)
    a = np.argmax(model.predict(np.array([s]))[0])
    s, reward, done, _ = env.step(a)
    score += reward
    if done:
        print('score:', score)
        break
env.close()

运行一下，还不错~

1
2

$ python test_dqn.py
score: -161.0

代码已经上传到Github - tensorflow-tutorial-samples，dqn.py只有90行，不妨试一试吧~

喜欢 (0) 打赏 分享

感谢您的支持，我会继续努力的!

扫码打赏，你说多少就多少

打开支付宝扫一扫，即可进行扫码打赏哦