学学笔记TF038:实现估值网络

Q-Learning,学习Action对应期望值(Expected
Utility)。1989年,沃特(Wat)kins提出。收敛性,1992年,沃特kins和Dayan共同验证。学习期望价值,从脚下一步到独具继续手续,总希望拿到最大价值(Q值、Value)。Action->Q函数,最佳策略,在每个state下,选用Q值最高的Action。不看重环境模型。有限马尔科夫决策过程(马克ov
Dectision Process) ,Q-Learning被验证最后可以找到最优政策。

前言  – 一个粗略开场白 

Q-Learning目的,求解函数Q(st,at),依照当前条件气象,揣测Action期望价值。Q-Learning训练模型,以(状态、行为、奖励、下一情景)构成元组(st,at,rt+1,st+1)样本锻练,st当前情景,at当前场所下执行action,rt+1执行Action后获取褒奖,st+1下一气象,(当前气象,行动,奖励,下一景观)。特征(st,at)。学习目的(期望价值)
rt+1+γ·maxaQ(st+1,a),当前Action拿到Reward,加下一步可取得最大梦想价值,当前情形行动奖励,加下一状态行动最大期待价值。学习目的包含Q-Learning函数本身,递归求解。下一步可获最大希望价值乘γ(衰减周密discount
factor),未来嘉奖的学习权重。discount factor
0,模型学习不到其他未来奖励信息,变短视,只关注目前便宜。discount factor
>=
1,算法可能无法消灭,期望价值持续添加没有衰减(discount),期望价值发散。discount
factor一般比1稍小。Qnew(st,at)<-(1-α)·Qold(st,at)+α·(rt+1+γ·maxaQ(st+1,a)),Q-Learning学习过程式子。旧Q-Learning函数Qold(st,at),向学习目标(当前获取Reward加下一步可取得最大梦想价值),按较小学习速率α学习,拿到新Q-Learning函数Qnew(st,at)。学习速率决定新拿到样本信息覆盖率前左右到信息比率,平时设较小值,保证学习过程稳定,确保最终收敛性。Q-Learning需要先河值Q0,比较高开始值,鼓励模型多探索。

  winds 的 select 和 linux 的 select 是六个精光不同的东西.
然则凡人欣赏把它们揉在一起.

学学Q-Learning模型用神经网络,得到模型是估值网络。用相比较深的神经网络,就是DQN。GoogleDeepMind,《Nature》杂谈,《Human-level control through deep
reinforcement
learning》提议。DeepMind用DQN创建达标人类专家水平玩Atari2600体系游戏Agent。

非阻塞的connect业务是个自带超时机制的 connect.
实现机制无外乎利用select(也有 epoll的).

state of the art DQN
Trick。第一个Trick。DQN引入卷积层。模型通过Atari游戏视频图像理解环境信息并学习策略。DQN需要知道接收图像,具有图像识别能力。卷积神经网络,利用可领到空间协会音讯卷积层抽取特征。卷积层提取图像中根本对象特征传给后层做分类、回归。DQN用卷积层做强化学习训练,根据环境图像输出决策。

正文是个源码软文, 专阐明决客户端的跨平台的connect问题. 服务器的connect
要比客户端多考虑一丁点.

第二个Trick。Experience Replay。深度学习需要大量样书,传统Q-Learning
online
update方法(逐一对新样本学习)不合乎DQN。增大样本,六个epoch磨练,图像反复使用。Experience
Replay,储存Agent
Experience样本,每一回训练随机抽取部分样本供网络学习。稳定形成学习任务,避免短视只学习最新接触样本,综合反复使用过往大量样本学习。创制储存Experience缓存buffer,储存一定量较新样本。容量满了,用新样本替换最旧样本,保证大部分样本相近概率被抽到。不替换旧样本,磨练过程被抽到概率永远比新样本高很多。每一回需要锻炼样本,直接从buffer随机抽取一定量给DQN练习,保持样本高利用率,让模型学习到较新样本。

有时机再扯. 对于 select 网上资料太多, 几乎都有点不痛不痒. 精通真相推荐
man and msdn !!!

其五个Trick。用第二个DQN网络援救磨练,target
DQN,扶助总括目的Q值,提供学习指标公式里的maxaQ(st+1,a)。六个网络,一个打造学习目的,一个其实磨练,让Q-Learning锻练目标保持安静。强化学习
Q-Learning学习目的每趟变更,学习目的分部是模型本身输出,每一趟换代模型参数会导致学习目的转移,更新往往幅度大,磨练过程会这一个不平静、失控,DQN锻炼会深陷指标Q值与预测Q值反馈循环(陷入震荡发散,难消失)。需要安静target
DQN匡助网络总结目的Q值。target
DQN,低频率、缓慢学习,输出目标Q值波动较小,减小磨炼过程影响。

 

第4个Trick。Double DQN。DeepMind 《Deep Reinforcement Learning with
Double Q-Learning》。传统DQN高估Action
Q值,高估不均匀,导致次优Action被高估超越最优Action。target DQN
负责生成目的Q值,先发生Q(st+1,a),再经过maxa选拔最大Q值。Double
DQN,在主DQN上通过最大Q值接纳Action,再取得Action在target DQN
Q值。主网拔取Action,targetDQN生成Action
Q值。被增选Q值,不肯定总是最大,避免被高估次优Action总是超过最优Action,导致发现不了真正最好Action。学习目的公式:Target=rt+1+γ·Qtarget(st+1,argmaxa(Qmain(st+1,a)))。

正文 – 所有的都急需前戏

第5个Trick。Dueling DQN。Google 《Dueling Network Architectures for Deep
Reinforcement Learning》。Dueling
DQN,Q值函数Q(st,at)拆分,一部分静态环境情状有所价值V(st),Value;另一部分动态接纳Action额外带来价值A(at),Advantage。公式,Q(st,at)=V(st)+A(at)。网络独家总结环境Value和挑选Action
Advantage。Advantage,Action与任何Action相比,零均值。网络最终,不再直接输出Action数量Q值,输出一个Value,及Action数量
Advantage值。V值分别加到每个Advantage值上,得最终结果。让DQN学习目的更显著,假诺当先前时期望价值重要由环境气象控制,Value值大,所有Advantage波动不大;如若希望价值首要由Action决定,Value值小,Advantage波动大。分解让学习目标更稳定、精确,DQN对环境境况猜度能力更强。

这起来吧 .  一切从丑陋的跨平台宏开首

贯彻带Trick DQN。任务环境
GridWorld导航类水言纟工。GridWorld包含一个hero,4个goal,2个fire。控制hero移动,每一回向上、下、左、右方向移动一步,多触碰goal(奖励值1),避开fire(奖励值-1)。游戏目的,限度步数内得到最多分数。Agent
直接通过GridWorld图像学习决定hero移动最优政策。

#include <stdio.h>
#include <errno.h>
#include <stdint.h>
#include <stddef.h>
#include <stdlib.h>
#include <signal.h>

//
// IGNORE_SIGPIPE - 管道破裂,忽略SIGPIPE信号
//
#define IGNORE_SIGNAL(sig)    signal(sig, SIG_IGN)

#ifdef __GNUC__

#include <fcntl.h>
#include <netdb.h>
#include <unistd.h>
#include <arpa/inet.h>
#include <netinet/tcp.h>
#include <sys/un.h>
#include <sys/uio.h>
#include <sys/select.h>
#include <sys/resource.h>

/*
* This is used instead of -1, since the
* SOCKET type is unsigned.
*/
#define INVALID_SOCKET      (~0)
#define SOCKET_ERROR        (-1)

#define IGNORE_SIGPIPE()    IGNORE_SIGNAL(SIGPIPE)

// connect链接还在进行中, linux显示 EINPROGRESS,winds是 WSAEWOULDBLOCK
#define ECONNECTED          EINPROGRESS

typedef int socket_t;

#elif _MSC_VER

#undef    FD_SETSIZE
#define FD_SETSIZE          (1024)
#include <ws2tcpip.h>

#undef    errno
#define   errno              WSAGetLastError()

#define IGNORE_SIGPIPE()

// connect链接还在进行中, linux显示 EINPROGRESS,winds是 WSAEWOULDBLOCK
#define ECONNECTED           WSAEWOULDBLOCK

typedef int socklen_t;
typedef SOCKET socket_t;

static inline void _socket_start(void) {
    WSACleanup();
}

#endif

// 目前通用的tcp udp v4地址
typedef struct sockaddr_in sockaddr_t;

//
// socket_start    - 单例启动socket库的初始化方法
// socket_addr    - 通过ip, port 得到 ipv4 地址信息
// 
inline void socket_start(void) {
#ifdef _MSC_VER
#    pragma comment(lib, "ws2_32.lib")
    WSADATA wsad;
    WSAStartup(WINSOCK_VERSION, &wsad);
    atexit(_socket_start);
#endif
    IGNORE_SIGPIPE();
}

创设GridWorld任务环境。载入看重库,itertools迭代操作,scipy.misc、matplotlib.pyplot绘图,操练时间长,os定期储存模型文件。

这会儿再装进一些,  简化操作. 

开创环境内物体对象class。环境物体属性,coordinates(x,y坐标)、size(尺寸)、intensity(亮度值)、channel(RGB颜色通道)、reward(奖励值)、name(名称)。

inline socket_t socket_stream(void) {
    return socket(PF_INET, SOCK_STREAM, IPPROTO_TCP);
}

inline int socket_close(socket_t s) {
#ifdef _MSC_VER
    return closesocket(s);
#else
    return close(s);
#endif
}

inline int socket_set_block(socket_t s) {
#ifdef _MSC_VER
    u_long mode = 0;
    return ioctlsocket(s, FIONBIO, &mode);
#else
    int mode = fcntl(s, F_GETFL, 0);
    if (mode == SOCKET_ERROR)
        return SOCKET_ERROR;
    if (mode & O_NONBLOCK)
        return fcntl(s, F_SETFL, mode & ~O_NONBLOCK);
    return 0;
#endif    
}

inline int socket_set_nonblock(socket_t s) {
#ifdef _MSC_VER
    u_long mode = 1;
    return ioctlsocket(s, FIONBIO, &mode);
#else
    int mode = fcntl(s, F_GETFL, 0);
    if (mode == SOCKET_ERROR)
        return SOCKET_ERROR;
    if (mode & O_NONBLOCK)
        return 0;
    return fcntl(s, F_SETFL, mode | O_NONBLOCK);
#endif    
}

inline int socket_connect(socket_t s, const sockaddr_t * addr) {
    return connect(s, (const struct sockaddr *)addr, sizeof(*addr));
}

开创GridWorld环境class,先河化方法只传入参数环境size。环境长、宽为输入size,环境Action
Space设4,起始化环境物体对象列表。self.reset()方法重置环境,得到初叶observation(GridWorld图像),plt.imshow展现observation。

 

概念环境reset方法。创造所有GridWorld物体,1个hero(用户控制目的)、4个goal(reward
1)、2个fire(reward
-1),添加到实体对象列表self.objects。self.newPosition()创立物体地方,随机采纳没有被霸占新职务。物有物体size、intensity
1,hero channel 2(黄色),goal channel 1(紫色),fire channel
0(黑色)。self.renderEnv()绘制GridWorld图像,state。

大局的测试主题main 函数部分之类

落实活动英雄角色方法,传入值0、1、2、3六个数字,分别代表上、下、左、右。函数依照输入操作英雄移动。假诺移动该方向会招致英雄出界,不会进展其他活动。

extern int socket_addr(const char * ip, uint16_t port, sockaddr_t * addr);
extern int socket_connecto(socket_t s, const sockaddr_t * addr, int ms);
extern socket_t socket_connectos(const char * host, uint16_t port, int ms);


//
// gcc -g -O2 -Wall -o main.exe main.c
//
int main(int argc, char * argv[]) {
    socket_start();

    socket_t s = socket_connectos("127.0.0.1", 80, 10000);
    if (s == INVALID_SOCKET) {
        fprintf(stderr, "socket_connectos is error!!\n");
        exit(EXIT_FAILURE);
    }
    puts("socket_connectos is success!");

    return EXIT_SUCCESS;
}

int 
socket_addr(const char * ip, uint16_t port, sockaddr_t * addr) {
    if (!ip || !*ip || !addr) {
        fprintf(stderr, "check empty ip = %s, port = %hu, addr = %p.\n", ip, port, addr);
        return -1;
    }

    addr->sin_family = AF_INET;
    addr->sin_port = htons(port);
    addr->sin_addr.s_addr = inet_addr(ip);
    if (addr->sin_addr.s_addr == INADDR_NONE) {
        struct hostent * host = gethostbyname(ip);
        if (!host || !host->h_addr) {
            fprintf(stderr, "check ip is error = %s.\n", ip);
            return -1;
        }
        // 尝试一种, 默认ipv4
        memcpy(&addr->sin_addr, host->h_addr, host->h_length);
    }
    memset(addr->sin_zero, 0, sizeof addr->sin_zero);

    return 0;
}

概念newPosition方法,采纳一个跟现有物体不争执地点。itertools.product方法赢得多少个变量所有组成,创立环境size允许所有职位集合points,获取近年来怀有物体地方集合currentPositions,从points去掉currentPositions,剩下可用地点。np.random.choice随机抽取一个可用地方重回。

 

定义checkGoal函数。检查hero是否触碰goal、fire。从objects获取hero,其他物体对象放置others列表。编历others列表,假如物体和坐标与hero完全一致,判定触碰。遵照触碰物体销毁,self.newPosition()方法在随心所欲地点再次生成物体,重返物体reward值(goal
1,fire -1)。

此地才是您要的全套, 实在的跨平台的客户端非阻塞 connect.

创办长宛size+2、颜色通道数 3
图片。起先值全1,代表全白色。最外面内部像素颜色值全体赋0,代表青色。遍历物体对象列表self.objects,设置物体亮度值。scipy.misc.imresize将图像从原有大小resize
84x84x3尺寸,正常游玩图像尺寸。

int
socket_connecto(socket_t s, const sockaddr_t * addr, int ms) {
    int n, r;
    struct timeval to;
    fd_set rset, wset, eset;

    // 还是阻塞的connect
    if (ms < 0) return socket_connect(s, addr);

    // 非阻塞登录, 先设置非阻塞模式
    r = socket_set_nonblock(s);
    if (r < 0) {
        fprintf(stderr, "socket_set_nonblock error!\n");
        return r;
    }

    // 尝试连接一下, 非阻塞connect 返回 -1 并且 errno == EINPROGRESS 表示正在建立链接
    r = socket_connect(s, addr);
    if (r >= 0) goto __return;

    // 链接不再进行中直接返回, linux是 EINPROGRESS,winds是 WASEWOULDBLOCK
    if (errno != ECONNECTED) {
        fprintf(stderr, "socket_connect error r = %d!\n", r);
        goto __return;
    }

    // 超时 timeout, 直接返回结果 ErrBase = -1 错误
    r = -1;
    if (ms == 0) goto __return;

    FD_ZERO(&rset); FD_SET(s, &rset);
    FD_ZERO(&wset); FD_SET(s, &wset);
    FD_ZERO(&eset); FD_SET(s, &eset);
    to.tv_sec = ms / 1000;
    to.tv_usec = (ms % 1000) * 1000;
    n = select((int)s + 1, &rset, &wset, &eset, &to);
    // 超时直接滚 or linux '异常'直接返回 0
    if (n <= 0) goto __return;

    // 当连接成功时候,描述符会变成可写
    if (n == 1 && FD_ISSET(s, &wset)) {
        r = 0;
        goto __return;
    }

    // 当连接建立遇到错误时候, winds 抛出异常, linux 描述符变为即可读又可写
    if (FD_ISSET(s, &eset) || n == 2) {
        socklen_t len = sizeof n;
        // 只要最后没有 error那就 链接成功
        if (!getsockopt(s, SOL_SOCKET, SO_ERROR, (char *)&n, &len) && !n)
            r = 0;
    }

__return:
    socket_set_block(s);
    return r;
}

socket_t
socket_connectos(const char * host, uint16_t port, int ms) {
    int r;
    sockaddr_t addr;
    socket_t s = socket_stream();
    if (s == INVALID_SOCKET) {
        fprintf(stderr, "socket_stream is error!\n");
        return INVALID_SOCKET;
    }

    // 构建ip地址
    r = socket_addr(host, port, &addr);
    if (r < 0)
        return r;

    r = socket_connecto(s, &addr, ms);
    if (r < 0) {
        socket_close(s);
        fprintf(stderr, "socket_connecto host port ms = %s, %u, %d!\n", host, port, ms);
        return INVALID_SOCKET;
    }

    return s;
}

概念GridWorld环境举办一步Action方法。输入参数Action,self.moveChart(action)移动hero地点,self.checkGoal()检测hero是否触碰物体,得到reward、done标记。self.renderEnv获取环境图像state,重返state、reward、done。

每回突破都来之不易. 如果需要在工程中实现一份 nonblocking select
connect. 可以一贯用地方思路.

调用gameEnv类起头化方法,设置size
5,创制5×5大小GridWorld环境,每一回创立GridWorld环境随机变化。小尺寸环境相对容易学习,大尺寸较难,锻炼时间更长。

着力就是不同平台的select api 的拔取罢了. 你知道了说不定就少趟点坑,
多无可奈何些~

统筹DQN(Deep
Q-Network)网络。使用卷积层,可以平昔从环境原始像素学习策略。输入scalarInput,扁平化长为84x84x3=21168向量,复苏成[-1,84,84,3]尺寸图片ImageIn。tf.contrib.layers.convolution2d开立第1个卷积层,卷积核尺寸8×8,步长4×4,输出通道数(filter数量)32,padding模型VALID,bias初步化器空。用4×4肥瘦和VALID模型padding,第1层卷积输出维度20x20x32。第2层卷积尺寸4×4,步长2×2,输出通道数64,输出维度9x9x64。第3层卷积尺寸3×3,步长1×1,输出通道数64,输出维度7x7x64。第4层卷积尺寸7×7,步长1×1,输出通道数512,空间尺寸只同目的在于一个职务卷积,,输出维度1x1x512。

 

tf.split(),第4个卷积层输出conv4平均拆分两段,streamAC、streamVC,Dueling
DQN Advantage Function(Action带来的市值)和Value
Function(环境本身价值)。tf.split函数第2参数代表要拆分成几段。第3参数代表要拆分多少个维度。tf.contrib.layers.flatten将streamAC和streamVC转遍平的steamA和steamV。创设streamA和streamV线性全连接层参数AW和VW。tf.random_normal最先化权重,tf.matmul做全连接层矩阵乘法,得到self.Advantage和self.Value。Advantage针对Action,输出数量为Action数量。Value针对环境统一的,输出数量
1。Q值由Value、advantage复合成,Value加上缩短均值Advantage。Advantage减去均值操作
tf.subtract,均值总计tf.reduce_mean函数(reduce_indices
1,代表Action数量维度)。最终输出Action,Q值最大Action,tf.argmax。

后记 – 感悟

概念Double
DQN目标Q值targetQ输入placeholder,Agent动作actions输入placeholder。统计目的Q值,action由主DQN采纳,Q值由帮忙target
DQN生成。总结预测Q值,scalar形式actions转onehot编码形式,主DQN生成的Qout乘以actions_onehot,得预测Q值(Qout和actions都来源于主DQN)。

  代码仍旧少点注释好, 这多少个老人说的代码即注释好像有些道理

定义loss,tf.square、tf.reduce_mean总计targetQ和Q均方误差,学习速率1e-4
艾达(Ada)m优化器优化预测Q值和对象Q值偏差。

 

实现Experience Replay策略。定义experience_buffer
class。先河化定义buffer_size存储样本最大容量,成立buffer列表。定义向经buffer添加元素方法。倘使跨越buffer最大容量,清空最早样本,列表末尾添加新元素。定义样本抽样模式,用random.sample()函数随机抽取一定数量样本。

概念84x84x3 states扁平化 1维向量函数processState,方便前面堆叠样本。

updateTargetGraph函数,更新target DQN模型参数(主DQN用DQN class
self.updateModel方法革新模型参数)。输入变量tfVars,TensorFlow
Graph全体参数。tau,target
DQN向主DQN学习的速率。函数updateTargetGraph取tfVars前一半参数,主DQN模型参数。再令匡助targetDQN参数朝向主DQN参数前进很小比例(tau,0.001),target
DQN缓慢学习主DQN。锻练时,目的Q值不可以在一次迭代间波动太大,训练非凡不平静、失控,陷入目标Q值和展望Q值反馈循环。需要安静目标Q值锻练网络,缓慢学习target
DQN网络出口目的Q值,主网络优化目标Q值和展望Q值间loss,target
DQN跟随主DQN缓慢学习。函数updateTargetGraph创造立异target
DQN模型参数操作,函数updateTarget执行操作。

DQN网络练习过程参数。batch_size,每一回从experience
buffer获取样本数,32。更新频率update_freq,每隔多少step执行三回模型参数更新,4。Q值衰减全面(discount
factor)γ,0.99。startE最先执行随机Action概率。endE最终实施随机Action概率。anneling_steps从开首随机概率降到最后随机概率所需步数。num_episodes总共多少次GridWorld环境试验。pre_train_steps正式用DQN选取Action前举办多少步随机Action测试。max_epLength每个episode举办多少步Action。load_model是否读取往日磨炼模型。path模型储存路径。h_size是DQN网络最终全连接层隐含节点数。tau是target
DQN向主DQN学习速率。

Qnetwork类先导化mainQN和协理targetQN。先河化所有模型参数。trainables获取具有可练习参数。updateTargetGraph创立改进target
DQN模型参数操作。

experience_buffer创立experience replay
class,设置当前随机Action概率e,总括e每一步衰减值stepDrop。开端化储存每个episode的reward列表rList,总步数total_steps。创建模型磨练保存器(Saver)检查保存目录是否留存。

开创默认Session,假诺load_model标志True,检查模型文件路径checkpoint,读取载入已保存模型。执行参数开端化操作,执行更新targetQN模型参数操作。创立GridWorld试验循环,创立每个episode内部experience_buffer,内部buffer不参与当前迭代训练,练习只利用在此以前episode样本。初阶化环境得第一个条件信息s,processState()函数扁平化。先导化默认done标记d、episode内总reward值rAll、episode内步数j。

创造内层循环,每便迭代执行Action。总步数紧跟于pre_train_steps,强制用随机Action,只从随机Action学习,不深化过程。达到pre_train_steps,保留较小概率随机采纳Action。不随机接纳Action,传入当前状态s给主DQN,预测得到应该执行Action。env.step()执行一步Action,得到接下来事态s1、reward、done标记。processState对s1扁平化处理,s、a、r、s1、d传入episodeBuffer存储。

总步数领先pre_train_steps,持续降低随机接纳Action概率e,直到最低值endE。每当总步数达到update_freq整数部,举行一次磨炼,模型参数更新。从myBuffer中sample出一个batch_size样本。磨练样本第3列音讯,下一气象s1,传入mainQN,执行main.predict,得到主模型采纳Action。s1传播帮忙targetQN,拿到s1状态下所有Action的Q值。mainQN输出Action
,采取targetQN输出Q,得到doubleQ。七个DQN网络把选用Action和出口Q值六个操作分隔开,Double
DQN。训练样本第2列音讯,当前reward,加doubleQ乘以衰减周到γ,得到读书目的targetQ。传入当前状态s,学习目标targetQ和事实上应用Action,执行updateTarget函数,执行targetQN模型参数更新(缓慢向mainQN学习)。完整完成几遍训练过程。每个step停止,累计当前这步获取reward,更新当前事态为下一步试验做准备。假若done标记为True,直接中断episode试验。

episode内部episodeBuffer添加到myBuffer,作将来锻练抽样数据集。当前episode
reward添加到rList。每25个episode呈现平均reward值。每1000个episode或任何训练完成,保存当前模型。

起来200个episode内,完全随机Action的前10000步内,平均可以赢得reward在2邻近,基础baseline。

训练最终episode输出,平均reward 22,非凡大提升。

测算每100个episode平均reward,plt.plot显示reward变化趋势。从第1000个episode开头,reward快速提升,到第4000个episode基本达标巅峰,后面进去平台期,进步不大。

    import numpy as np
    import random
    import tensorflow as tf
    import os
    %matplotlib inline
    from gridworld import gameEnv
    env = gameEnv(size=5)
    class Qnetwork():
        def __init__(self,h_size):
            #The network recieves a frame from the game, flattened into an array.
            #It then resizes it and processes it through four convolutional layers.
            self.scalarInput =  tf.placeholder(shape=[None,21168],dtype=tf.float32)
            self.imageIn = tf.reshape(self.scalarInput,shape=[-1,84,84,3])
            self.conv1 = tf.contrib.layers.convolution2d( \
                inputs=self.imageIn,num_outputs=32,kernel_size=[8,8],stride=[4,4],padding='VALID', biases_initializer=None)
            self.conv2 = tf.contrib.layers.convolution2d( \
                inputs=self.conv1,num_outputs=64,kernel_size=[4,4],stride=[2,2],padding='VALID', biases_initializer=None)
            self.conv3 = tf.contrib.layers.convolution2d( \
                inputs=self.conv2,num_outputs=64,kernel_size=[3,3],stride=[1,1],padding='VALID', biases_initializer=None)
            self.conv4 = tf.contrib.layers.convolution2d( \
                inputs=self.conv3,num_outputs=512,kernel_size=[7,7],stride=[1,1],padding='VALID', biases_initializer=None)

            #We take the output from the final convolutional layer and split it into separate advantage and value streams.
            self.streamAC,self.streamVC = tf.split(self.conv4,2,3)
            self.streamA = tf.contrib.layers.flatten(self.streamAC)
            self.streamV = tf.contrib.layers.flatten(self.streamVC)
            self.AW = tf.Variable(tf.random_normal([h_size//2,env.actions]))
            self.VW = tf.Variable(tf.random_normal([h_size//2,1]))
            self.Advantage = tf.matmul(self.streamA,self.AW)
            self.Value = tf.matmul(self.streamV,self.VW)

            #Then combine them together to get our final Q-values.
            self.Qout = self.Value + tf.subtract(self.Advantage,tf.reduce_mean(self.Advantage,reduction_indices=1,keep_dims=True))
            self.predict = tf.argmax(self.Qout,1)

            #Below we obtain the loss by taking the sum of squares difference between the target and prediction Q values.
            self.targetQ = tf.placeholder(shape=[None],dtype=tf.float32)
            self.actions = tf.placeholder(shape=[None],dtype=tf.int32)
            self.actions_onehot = tf.one_hot(self.actions,env.actions,dtype=tf.float32)

            self.Q = tf.reduce_sum(tf.multiply(self.Qout, self.actions_onehot), reduction_indices=1)

            self.td_error = tf.square(self.targetQ - self.Q)
            self.loss = tf.reduce_mean(self.td_error)
            self.trainer = tf.train.AdamOptimizer(learning_rate=0.0001)
            self.updateModel = self.trainer.minimize(self.loss)

    class experience_buffer():
        def __init__(self, buffer_size = 50000):
            self.buffer = []
            self.buffer_size = buffer_size

        def add(self,experience):
            if len(self.buffer) + len(experience) >= self.buffer_size:
                self.buffer[0:(len(experience)+len(self.buffer))-self.buffer_size] = []
            self.buffer.extend(experience)

        def sample(self,size):
            return np.reshape(np.array(random.sample(self.buffer,size)),[size,5])

    def processState(states):
        return np.reshape(states,[21168])

    def updateTargetGraph(tfVars,tau):
        total_vars = len(tfVars)
        op_holder = []
        for idx,var in enumerate(tfVars[0:total_vars//2]):
            op_holder.append(tfVars[idx+total_vars//2].assign((var.value()*tau) + ((1-tau)*tfVars[idx+total_vars//2].value())))
        return op_holder
    def updateTarget(op_holder,sess):
        for op in op_holder:
            sess.run(op)
    batch_size = 32 #How many experiences to use for each training step.
    update_freq = 4 #How often to perform a training step.
    y = .99 #Discount factor on the target Q-values
    startE = 1 #Starting chance of random action
    endE = 0.1 #Final chance of random action
    anneling_steps = 10000. #How many steps of training to reduce startE to endE.
    num_episodes = 10000#How many episodes of game environment to train network with.
    pre_train_steps = 10000 #How many steps of random actions before training begins.
    max_epLength = 50 #The max allowed length of our episode.
    load_model = False #Whether to load a saved model.
    path = "./dqn" #The path to save our model to.
    h_size = 512 #The size of the final convolutional layer before splitting it into Advantage and Value streams.
    tau = 0.001 #Rate to update target network toward primary network
    tf.reset_default_graph()
    mainQN = Qnetwork(h_size)
    targetQN = Qnetwork(h_size)
    init = tf.global_variables_initializer()
    trainables = tf.trainable_variables()
    targetOps = updateTargetGraph(trainables,tau)
    myBuffer = experience_buffer()
    #Set the rate of random action decrease. 
    e = startE
    stepDrop = (startE - endE)/anneling_steps
    #create lists to contain total rewards and steps per episode
    rList = []
    total_steps = 0
    #Make a path for our model to be saved in.
    saver = tf.train.Saver()
    if not os.path.exists(path):
        os.makedirs(path)
    #%%
    with tf.Session() as sess:
        if load_model == True:
            print('Loading Model...')
            ckpt = tf.train.get_checkpoint_state(path)
            saver.restore(sess,ckpt.model_checkpoint_path)
        sess.run(init)
        updateTarget(targetOps,sess) #Set the target network to be equal to the primary network.
        for i in range(num_episodes+1):
            episodeBuffer = experience_buffer()
            #Reset environment and get first new observation
            s = env.reset()
            s = processState(s)
            d = False
            rAll = 0
            j = 0
            #The Q-Network
            while j < max_epLength: #If the agent takes longer than 200 moves to reach either of the blocks, end the trial.
                j+=1
                #Choose an action by greedily (with e chance of random action) from the Q-network
                if np.random.rand(1) < e or total_steps < pre_train_steps:
                    a = np.random.randint(0,4)
                else:
                    a = sess.run(mainQN.predict,feed_dict={mainQN.scalarInput:[s]})[0]
                s1,r,d = env.step(a)
                s1 = processState(s1)
                total_steps += 1
                episodeBuffer.add(np.reshape(np.array([s,a,r,s1,d]),[1,5])) #Save the experience to our episode buffer.

                if total_steps > pre_train_steps:
                    if e > endE:
                        e -= stepDrop

                    if total_steps % (update_freq) == 0:
                        trainBatch = myBuffer.sample(batch_size) #Get a random batch of experiences.
                        #Below we perform the Double-DQN update to the target Q-values
                        A = sess.run(mainQN.predict,feed_dict={mainQN.scalarInput:np.vstack(trainBatch[:,3])})
                        Q = sess.run(targetQN.Qout,feed_dict={targetQN.scalarInput:np.vstack(trainBatch[:,3])})
                        doubleQ = Q[range(batch_size),A]
                        targetQ = trainBatch[:,2] + y*doubleQ
                        #Update the network with our target values.
                        _ = sess.run(mainQN.updateModel, \
                            feed_dict={mainQN.scalarInput:np.vstack(trainBatch[:,0]),mainQN.targetQ:targetQ, mainQN.actions:trainBatch[:,1]})

                        updateTarget(targetOps,sess) #Set the target network to be equal to the primary network.
                rAll += r
                s = s1

                if d == True:
                    break

            #Get all experiences from this episode and discount their rewards.
            myBuffer.add(episodeBuffer.buffer)
            rList.append(rAll)
            #Periodically save the model.
            if i>0 and i % 25 == 0:
                print('episode',i,', average reward of last 25 episode',np.mean(rList[-25:]))
            if i>0 and i % 1000 == 0:
                saver.save(sess,path+'/model-'+str(i)+'.cptk')
                print("Saved Model")            
        saver.save(sess,path+'/model-'+str(i)+'.cptk')
    #%%
    rMat = np.resize(np.array(rList),[len(rList)//100,100])
    rMean = np.average(rMat,1)
    plt.plot(rMean)

 

参考资料:
《TensorFlow实战》

迎接付费咨询(150元每刻钟),我的微信:qingxingfengzi