一个小游戏入门深度强化学习

Posted on Edited on Views:

用深度强化学习算法 deep Q-learning 玩 CartPole 游戏。

强化学习是机器学习的一个重要分支，通过强化学习我们可以创建一个 agent，让它与环境不断地互动，不断试错，自主地从中学习到知识，进而做出决策。

如图所示，agent 收到环境的状态 state，做出行动 action，行动后会得到一个反馈，反馈包括奖励 reward 和环境的下一个状态 next_state。
这样一轮操作下来，agent 便可以积累经验，并且从中训练，学习该如何根据 state 选择合适的 action 来获得较好的 reward 以获得游戏的最终胜利。

image-20220419102819294

在强化学习中有一个著名算法 Q-learning：

image-20220419102848954

2013 年，Google DeepMind 发表了论文 Playing Atari with Deep Reinforcement Learning，开辟了一个新的领域，深度学习和强化学习的结合，即深度强化学习。 其中介绍了 Deep Q Network，这个深度强化学习网络可以让 agent 仅仅通过观察屏幕就能学会玩游戏，不需要知道关于这个游戏的任何信息。

在 Q-Learning 算法中，是通过一个 Q 函数，来估计对一个状态采取一个行动后所能得到的奖励 Q(s,a)，
在 Deep Q Network 中，是用一个神经网络来估计这个奖励。

接下来我们用一个很简单的游戏来看 Deep Q Network 是如何应用的。

CartPole 这个游戏的目标是要使小车上面的杆保持平衡，

state 包含四个信息：小车的位置，车速，杆的角度，杆尖端的速度
agent 的行动 action 包括两种：向左推车，向右推车

  • 在每轮游戏开始时，环境有一个初始的状态，
  • agent 根据状态采取一个行动 action = agent.act(state)，
  • 这个 action 使得游戏进入下一个状态 next_state，并且拿到了奖励 reward，next_state, reward, done, _ = env.step(action)，
  • 然后 agent 会将之前的经验记录下来 agent.remember(state, action, reward, next_state, done)，
  • 当经验积累到一定程度后，agent 就从经验中学习改进 agent.replay(batch_size)，
  • 如果游戏结束了就打印一下所得分数，
    没有结束就更新一下状态后继续游戏 state = next_state

image-20220419102909036

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
39
40
41
42
43
44
45
if __name__ == "__main__":
    
    # 初始化 gym 环境和 agent
    env = gym.make('CartPole-v1')
    state_size = env.observation_space.shape[0]
    action_size = env.action_space.n
    agent = DQNAgent(state_size, action_size)
    
    done = False
    batch_size = 32

    # 开始迭代游戏
    for e in range(EPISODES):
    
        # 每次游戏开始时都重新设置一下状态
        state = env.reset()
        state = np.reshape(state, [1, state_size])
        
        # time 代表游戏的每一帧，
        # 每成功保持杆平衡一次得分就加 1，最高到 500 分，
        # 目标是希望分数越高越好
        for time in range(500):
            # 每一帧时，agent 根据 state 选择 action
            action = agent.act(state)
            # 这个 action 使得游戏进入下一个状态 next_state，并且拿到了奖励 reward
            # 如果杆依旧平衡则 reward 为 1，游戏结束则为 -10
            next_state, reward, done, _ = env.step(action)
            reward = reward if not done else -10
            next_state = np.reshape(next_state, [1, state_size])
            
            # 记忆之前的信息：state, action, reward, and done
            agent.remember(state, action, reward, next_state, done)
            
            # 更新下一帧的所在状态
            state = next_state

            # 如果杆倒了，则游戏结束，打印分数
            if done:
                print("episode: {}/{}, score: {}, e: {:.2}"
                      .format(e, EPISODES, time, agent.epsilon))
                break
            
            # 用之前的经验训练 agent   
            if len(agent.memory) > batch_size:
                agent.replay(batch_size)

接下来具体看每个部分：

1. agent 的网络用一个很简单的结构为例：

image-20220419102957374

在输入层有 4 个节点，用来接收 state 的 4 个信息：小车的位置，车速，杆的角度，杆尖端的速度，
输出层有 2 个节点，因为 action 有 0，1 两个值：向左推车，向右推车，就对应着两个行为的奖励值。

1
2
3
4
5
6
7
8
def _build_model(self):
    model = Sequential()
    model.add(Dense(24, input_dim=self.state_size, activation='relu'))
    model.add(Dense(24, activation='relu'))
    model.add(Dense(self.action_size, activation='linear'))
    model.compile(loss='mse',
                  optimizer=Adam(lr=self.learning_rate))
    return model

2. 需要定义一个损失函数来表示预测的 reward 和实际得到的奖励值的差距，这里用 mse，

image-20220419103013594

例如，杆现在向右倾斜，这时如果向右推小车，那么杆就可能继续保持平衡，游戏的分数就可以更高一些，也就是说向右推车比向左推车拿到的奖励要大，不过模型却预测成了向左推奖励大，这样就造成了差距，我们需要让差距尽量最小。

3. Agent 如何决定采取什么 action

游戏开始时为了让 agent 尽量多尝试各种情况，会以一定的几率 epsilon 随机地选择 action，
之后它不再随机选择，开始根据当前状态预测 reward，然后用 np.argmax() 选择能最大化奖励的 action，
例如 act_values[0] = [0.67, 0.2] 表示 aciton 为 0 和 1 时的 reward，这个的最大值的索引为 0.

1
2
3
4
5
def act(self, state):
    if np.random.rand() <= self.epsilon:
        return random.randrange(self.action_size)
    act_values = self.model.predict(state)
    return np.argmax(act_values[0])  # returns action

4. 通过 Gym，agent 可以很轻松地就能与环境互动：

1
next_state, reward, done, info = env.step(action)

env 代表游戏环境，action 为 0 或 1，将 action 传递给环境后，返回： done 表示游戏是否结束，next_state 和 reward 用来训练 agent。

DQN 的特别之处在于 remember 和 replay 方法，

5. remember()

DQN 的一个挑战是，上面搭建的这个神经网络结构是会遗忘之前的经验的，因为它会不断用新的经验来覆盖掉之前的。
所以我们需要一个列表来存储之前的经验，以备后面对模型训练时使用,
这个存储经验的列表叫做 memory，

1
memory = [(state, action, reward, next_state, done)...]

存储的动作由 remember() 函数来完成，即将 state, action, reward, next state 附加到 memory 中。

1
2
def remember(self, state, action, reward, next_state, done):
    self.memory.append((state, action, reward, next_state, done))

**6. replay() **

replay() 是用 memory 来训练神经网络的方法。

  • 首先从 memory 中取样，从中随机选取 batch_size 个数据：
1
minibatch = random.sample(self.memory, batch_size)
  • 为了让 agent 能有长期的良好表现，我们不仅仅要考虑即时奖励，还要考虑未来奖励，即需要折扣率 gamma，

具体讲就是我们先采取了行动 a，然后得到了奖励 r，并且到达了一个新的状态 next s，
根据这组结果，我们计算最大的目标值 np.amax()，
然后乘以一个 discount 率 gamma，将未来的奖励折算到当下，
最后我们将当前的奖励和折算后的未来奖励相加得到目标奖励值：

1
target = reward + gamma * np.amax(model.predict(next_state))
  • target_f 为前面建立的神经网络的输出，也就是损失函数里的 Q(s,a)，
  • 然后模型通过 fit() 方法学习输入输出数据对，
1
model.fit(state, reward_value, epochs=1, verbose=0)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
def replay(self, batch_size):
    minibatch = random.sample(self.memory, batch_size)
    
    for state, action, reward, next_state, done in minibatch:
        target = reward
        
        if not done:
            target = (reward + self.gamma *
                      np.amax(self.model.predict(next_state)[0]))
        
        target_f = self.model.predict(state)
        target_f[0][action] = target
        
        self.model.fit(state, target_f, epochs=1, verbose=0)
    
    if self.epsilon > self.epsilon_min:
        self.epsilon *= self.epsilon_decay

完整代码如下：

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
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
# -*- coding: utf-8 -*-
import random
import gym
import numpy as np
from collections import deque
from keras.models import Sequential
from keras.layers import Dense
from keras.optimizers import Adam

EPISODES = 1000                             # 让 agent 玩游戏的次数

class DQNAgent:
    def __init__(self, state_size, action_size):
        self.state_size = state_size
        self.action_size = action_size
        self.memory = deque(maxlen=2000)
        self.gamma = 0.95                   # 计算未来奖励时的折算率
        self.epsilon = 1.0                  # agent 最初探索环境时选择 action 的探索率
        self.epsilon_min = 0.01             # agent 控制随机探索的阈值
        self.epsilon_decay = 0.995          # 随着 agent 玩游戏越来越好，降低探索率
        self.learning_rate = 0.001
        self.model = self._build_model()

    def _build_model(self):
        model = Sequential()
        model.add(Dense(24, input_dim=self.state_size, activation='relu'))
        model.add(Dense(24, activation='relu'))
        model.add(Dense(self.action_size, activation='linear'))
        model.compile(loss='mse',
                      optimizer=Adam(lr=self.learning_rate))
        return model

    def remember(self, state, action, reward, next_state, done):
        self.memory.append((state, action, reward, next_state, done))

    def act(self, state):
        if np.random.rand() <= self.epsilon:
            return random.randrange(self.action_size)
        act_values = self.model.predict(state)
        return np.argmax(act_values[0])  

    def replay(self, batch_size):
        minibatch = random.sample(self.memory, batch_size)
        for state, action, reward, next_state, done in minibatch:
            target = reward
            if not done:
                target = (reward + self.gamma *
                          np.amax(self.model.predict(next_state)[0]))
            target_f = self.model.predict(state)
            target_f[0][action] = target
            self.model.fit(state, target_f, epochs=1, verbose=0)
        if self.epsilon > self.epsilon_min:
            self.epsilon *= self.epsilon_decay
            
            
if __name__ == "__main__":
    
    # 初始化 gym 环境和 agent
    env = gym.make('CartPole-v1')
    state_size = env.observation_space.shape[0]
    action_size = env.action_space.n
    agent = DQNAgent(state_size, action_size)
    
    done = False
    batch_size = 32

    # 开始迭代游戏
    for e in range(EPISODES):
    
        # 每次游戏开始时都重新设置一下状态
        state = env.reset()
        state = np.reshape(state, [1, state_size])
        
        # time 代表游戏的每一帧，
        # 每成功保持杆平衡一次得分就加 1，最高到 500 分，
        # 目标是希望分数越高越好
        for time in range(500):
            # 每一帧时，agent 根据 state 选择 action
            action = agent.act(state)
            # 这个 action 使得游戏进入下一个状态 next_state，并且拿到了奖励 reward
            # 如果杆依旧平衡则 reward 为 1，游戏结束则为 -10
            next_state, reward, done, _ = env.step(action)
            reward = reward if not done else -10
            next_state = np.reshape(next_state, [1, state_size])
            
            # 记忆之前的信息：state, action, reward, and done
            agent.remember(state, action, reward, next_state, done)
            
            # 更新下一帧的所在状态
            state = next_state

            # 如果杆倒了，则游戏结束，打印分数
            if done:
                print("episode: {}/{}, score: {}, e: {:.2}"
                      .format(e, EPISODES, time, agent.epsilon))
                break
            
            # 用之前的经验训练 agent   
            if len(agent.memory) > batch_size:
                agent.replay(batch_size)

效果图：

image-20220419103543797 image-20220419103445191

参考来源：https://www.jianshu.com/p/7014c89abeea

DRL相关：

环境：https://gym.openai.com/

easyRL：https://datawhalechina.github.io/easy-rl/#/

神经网络与深度学习：https://nndl.github.io/nndl-book.pdf