什么是Q-learning
Q是Quality的首字母，表示"质量/优劣"，表示给它打一个分。
在某些状态下做某个动作，会给他一个Q的价值。
learning就是学习的意思。基于质量，评判做出选择。
- Q learning 是基于价值(Value-Based) 的学习
- Q learning 是离线(off-play) 学习 基于过去的记忆学习。
mark
炸弹奖励是-1 宝石奖励为1。
Q learning 是基于价值的: State-Action
对于state-action对做出一个打分。
mark
总共有12个状态，s1到s12.对于每一个状态会有四个动作。对于每个状态下的每个动作会有一个Q的值。
游戏中不断去跳转Q表中的值，学到最佳策略。
算法:
mark
mark
中文的算法解释。之后我们会基于这个中文算法描述来写我们的代码。
流程图：
mark
基于表格的Q learning 局限性
-
对于状态(State) 非常多的(例如围棋) 无能无力
-
神经网络最会记住N多的参数，解决了Q Learing 的表格的局限。
结合深度学习(深度神经网络) 和 Q learning 推出了 DQL/DQN
深度Q learning 或者 深度的Q 网络
mark
深度Q learning (DQL/DQN)
使用深度神经网络实现Q-learning的方法。克服了表格的局限
Q-learning 实现机器人走迷宫
红色代表两个炸弹。蓝色宝藏。结束之后打印出Q表
实现步骤
- 游戏环境 机器人大脑 游戏主程序
- 实现游戏的环境
mark
迷宫的地图是这样的，左下角有个起点。-1 是炸弹 +1 是宝藏。
用Tkinter 来模拟gym的环境构建。我们用到的方法名和用法都和gym是类似的。
完成的迷宫地图如下
mark
编写我们的env.py
# -*- coding: UTF-8 -*-
"""
Q Learning 例子的 Maze（迷宫） 环境
黄色圆形 : 机器人
红色方形 : 炸弹 [reward = -1]
绿色方形 : 宝藏 [reward = +1]
其他方格 : 平地 [reward = 0]
"""
import sys
import time
import numpy as np
# Python2 和 Python3 中 Tkinter 的名称不一样
if sys.version_info.major == 2:
import Tkinter as tk
else:
import tkinter as tk
python2与python3下的Tkinter的不同引入处理。
WIDTH = 4 # 迷宫的宽度
HEIGHT = 3 # 迷宫的高度
UNIT = 40 # 每个方块的大小（像素值）
构建一个class继承TK
# 迷宫 类
class Maze(tk.Tk, object):
def __init__(self):
super(Maze, self).__init__()
self.action_space = ['u', 'd', 'l', 'r'] # 上，下，左，右 四个 action（动作）
self.n_actions = len(self.action_space) # action 的数目
self.title('Q Learning')
self.geometry('{0}x{1}'.format(WIDTH * UNIT, HEIGHT * UNIT)) # Tkinter 的几何形状
self.build_maze()
定义一个init的构造方法。调用父类的初始化方法。
定义它的动作空间: action_space 上下左右四个。 up down
action的数目。 title: 生成的游戏窗口的title
geometry 几何形状。第一维是一宽度乘以每个单元的像素值，第二维是高乘以每个单元像素值。
调用 build Maze方法
# 创建迷宫
def build_maze(self):
# 创建画布 Canvas.白色背景，宽高。
self.canvas = tk.Canvas(self, bg='white',
width=WIDTH * UNIT,
height=HEIGHT * UNIT)
# 绘制横纵方格线。创建线条。
for c in range(0, WIDTH * UNIT, UNIT):
x0, y0, x1, y1 = c, 0, c, HEIGHT * UNIT
self.canvas.create_line(x0, y0, x1, y1)
for r in range(0, HEIGHT * UNIT, UNIT):
x0, y0, x1, y1 = 0, r, WIDTH * UNIT, r
self.canvas.create_line(x0, y0, x1, y1)
# 零点（左上角） 往右是x增长的方向。往左是y增长的方向。
# 因为每个方格是40像素，20,20是中心位置。
origin = np.array([20, 20])
# 创建我们的探索者 机器人（robot）
robot_center = origin + np.array([0, UNIT * 2])
# 创建椭圆，指定起始位置。填充颜色
self.robot = self.canvas.create_oval(
robot_center[0] - 15, robot_center[1] - 15,
robot_center[0] + 15, robot_center[1] + 15,
fill='yellow')
# 炸弹 1
bomb1_center = origin + UNIT
self.bomb1 = self.canvas.create_rectangle(
bomb1_center[0] - 15, bomb1_center[1] - 15,
bomb1_center[0] + 15, bomb1_center[1] + 15,
fill='red')
# 炸弹 2
bomb2_center = origin + np.array([UNIT * 3, UNIT])
self.bomb2 = self.canvas.create_rectangle(
bomb2_center[0] - 15, bomb2_center[1] - 15,
bomb2_center[0] + 15, bomb2_center[1] + 15,
fill='red')
# 宝藏
treasure_center = origin + np.array([UNIT * 3, 0])
self.treasure = self.canvas.create_rectangle(
treasure_center[0] - 15, treasure_center[1] - 15,
treasure_center[0] + 15, treasure_center[1] + 15,
fill='green')
# 设置好上面配置的场景
self.canvas.pack()
reset方法表示游戏重新开始，机器人回到左下角
# 重置（游戏重新开始，将机器人放到左下角）
def reset(self):
self.update()
time.sleep(0.5)
self.canvas.delete(self.robot) # 删去机器人
origin = np.array([20, 20])
robot_center = origin + np.array([0, UNIT * 2])
# 重新创建机器人
self.robot = self.canvas.create_oval(
robot_center[0] - 15, robot_center[1] - 15,
robot_center[0] + 15, robot_center[1] + 15,
fill='yellow')
# 返回 观测（observation）
return self.canvas.coords(self.robot)
使用update方法更新一下游戏环境。使用coords返回一个观测值。
走一步(机器人实施一个action)
# 走一步（机器人实施 action）
def step(self, action):
# s表示一个state状态值
s = self.canvas.coords(self.robot)
# 基准动作
base_action = np.array([0, 0])
if action == 0: # 上
if s[1] > UNIT:
base_action[1] -= UNIT
elif action == 1: # 下
if s[1] < (HEIGHT - 1) * UNIT:
base_action[1] += UNIT
elif action == 2: # 右
if s[0] < (WIDTH - 1) * UNIT:
base_action[0] += UNIT
elif action == 3: # 左
if s[0] > UNIT:
base_action[0] -= UNIT
# 移动机器人，移动到baseation横向纵向坐标值
self.canvas.move(self.robot, base_action[0], base_action[1])
# 取得下一个 state
s_ = self.canvas.coords(self.robot)
# 奖励机制。
if s_ == self.canvas.coords(self.treasure):
reward = 1 # 找到宝藏，奖励为 1
done = True
s_ = 'terminal' # 终止
print("找到宝藏，好棒!")
elif s_ == self.canvas.coords(self.bomb1):
reward = -1 # 踩到炸弹1，奖励为 -1
done = True
s_ = 'terminal' # 终止
print("炸弹 1 爆炸...")
elif s_ == self.canvas.coords(self.bomb2):
reward = -1 # 踩到炸弹2，奖励为 -1
done = True
s_ = 'terminal' # 终止
print("炸弹 2 爆炸...")
else:
reward = 0 # 其他格子，没有奖励
done = False
return s_, reward, done
# 调用 Tkinter 的 update 方法
def render(self):
time.sleep(0.1)
self.update()
调用Tkinter的update方法。0.1秒去走一步。
实现Q learning(机器人的大脑)
Q learning的 Q表
mark
每一行是一个状态，s1 到 s4
每一列是在这个状态下可以采取的行动。
Q learning的算法
mark
我们例子的Q表: 有12个格子,4个动作
mark
对应的Q值。
中文的Q learning算法伪代码
mark
首先会随机的初始化Q表中的值。对于每一个回合做一个循环。
循环中首先:
- 初始化初始位置的状态。
mark
新的Q表中的Q(s,a)更新规则如上。
- 著名的贝尔曼方程
mark
e-Greedy 贪婪算法: 持续探索(Exploration)
- 贪婪度 e: e-Greedy 算法可以预防更好的选择一直没有被探索到。
- 1-e 的概率 选择Q表中state位置值最大的action
- e的概率 随机选取Q表中state位置的action
mark
https://www.zhihu.com/question/26408259?sort=created
http://mnemstudio.org/path-finding-q-learning-tutorial.htm
代码编写
# -*- coding: UTF-8 -*-
"""
Q Learning 算法。做决策的部分，相当于机器人的大脑
"""
import numpy as np
import pandas as pd
class QLearning:
def __init__(self, actions, learning_rate=0.01, discount_factor=0.9, e_greedy=0.1):
self.actions = actions # action 列表
self.lr = learning_rate # 学习速率
self.gamma = discount_factor # 折扣因子
self.epsilon = e_greedy # 贪婪度
# 列是action，上下左右四种。
self.q_table = pd.DataFrame(columns=self.actions, dtype=np.float32) # Q 表
# 检测 q_table 中有没有这个 state
# 如果还没有当前 state, 那我们就插入一组全 0 数据, 作为这个 state 的所有 action 的初始值
def check_state_exist(self, state):
# state对应每一行，如果不在Q表中。
if state not in self.q_table.index:
# 插入一组全 0 数据，上下左右，四个动作，创建四个零
self.q_table = self.q_table.append(
pd.Series(
[0] * len(self.actions),
index=self.q_table.columns,
name=state,
)
)
# 根据 state 来选择 action
def choose_action(self, state):
self.check_state_exist(state) # 检测此 state 是否在 q_table 中存在
# 选行为，用 Epsilon Greedy 贪婪方法
if np.random.uniform() < self.epsilon:
# 随机选择 action
action = np.random.choice(self.actions)
else: # 选择 Q 值最高的 action
state_action = self.q_table.loc[state, :]
# 同一个 state, 可能会有多个相同的 Q action 值, 所以我们乱序一下
state_action = state_action.reindex(np.random.permutation(state_action.index))
# 每一行中取到Q值最大的那个
action = state_action.idxmax()
return action
# 学习。更新 Q 表中的值
def learn(self, s, a, r, s_):
# s_是下一个状态
self.check_state_exist(s_) # 检测 q_table 中是否存在 s_
q_predict = self.q_table.loc[s, a] # 根据 Q 表得到的 估计（predict）值
# q_target 是现实值
if s_ != 'terminal': # 下个 state 不是 终止符
q_target = r + self.gamma * self.q_table.loc[s_, :].max()
else:
q_target = r # 下个 state 是 终止符
# 更新 Q 表中 state-action 的值
self.q_table.loc[s, a] += self.lr * (q_target - q_predict)
编写游戏主程序
play.py
# -*- coding: UTF-8 -*-
"""
游戏的主程序，调用机器人的 Q learning 决策大脑 和 Maze 环境
"""
from env import Maze
from q_learning import QLearning
def update():
for episode in range(100):
# 初始化 state（状态）
state = env.reset()
step_count = 0 # 记录走过的步数
while True:
# 更新可视化环境
env.render()
# RL 大脑根据 state 挑选 action
action = RL.choose_action(str(state))
# 探索者在环境中实施这个 action, 并得到环境返回的下一个 state, reward 和 done (是否是踩到炸弹或者找到宝藏)
state_, reward, done = env.step(action)
step_count += 1 # 增加步数
# 机器人大脑从这个过渡（transition） (state, action, reward, state_) 中学习
RL.learn(str(state), action, reward, str(state_))
# 机器人移动到下一个 state
state = state_
# 如果踩到炸弹或者找到宝藏, 这回合就结束了
if done:
print("回合 {} 结束. 总步数 : {}\n".format(episode+1, step_count))
break
# 结束游戏并关闭窗口
print('游戏结束')
env.destroy()
if __name__ == "__main__":
# 创建环境 env 和 RL
env = Maze()
RL = QLearning(actions=list(range(env.n_actions)))
# 开始可视化环境
env.after(100, update)
env.mainloop()
print('\nQ 表:')
print(RL.q_table)
mark
mark
DeepQlearning实现: 迷宫游戏
我们通过之前的Qlearning 知道了算法和代码
Qlearning 局限: 不能表示很多的状态和Q值。下围棋这个例子
mark
可以表示很多参数
最终效果:
mark
实现步骤:
- 机器人大脑
- 游戏环境
- 游戏主程序。
DeepQlearing 有Q-learning的优势
-
Q-learning 是 off-Policy (离线学习 可以学习过往经验或记忆)
-
Q-learning 可以单步更新，比回合更新更有效率
mark
经验回放(去学习过往的经验或记忆)
单步更新，更新网络参数
mark
记忆库存储过往记忆。
估计神经网络 现实实际 神经网络
mark
# -*- coding: UTF-8 -*-
"""
Deep Q Learning 算法。做决策的部分，相当于机器人的大脑
"""
import numpy as np
import tensorflow as tf
# 伪随机数。为了复现结果
np.random.seed(1)
tf.set_random_seed(1)
class DeepQLearning:
def __init__(
self,
n_actions,
n_features,
learning_rate=0.01,
discount_factor=0.9,
e_greedy=0.1,
replace_target_iter=300,
memory_size=500,
batch_size=32,
output_graph=False, # 是否存储 TensorBoard 日志
):
self.n_actions = n_actions # action 的数目
self.n_features = n_features # state/observation 里的特征数目
self.lr = learning_rate # 学习速率
self.gamma = discount_factor # 折扣因子
self.epsilon = e_greedy # 贪婪度 Epsilon Greedy
self.replace_target_iter = replace_target_iter # 每多少个迭代替换一下 target 网络的参数
self.memory_size = memory_size # 记忆上限
self.batch_size = batch_size # 随机选取记忆片段的大小
# 学习次数 (用于判断是否更换 Q_target_net 参数)
self.learning_steps = 0
# 初始化全 0 记忆 [s, a, r, s_]
self.memory = np.zeros((self.memory_size, n_features * 2 + 2))
# 构建神经网络
self.construct_network()
# 提取 Q_target_net 和 Q_eval_net 的参数
t_params = tf.get_collection(tf.GraphKeys.GLOBAL_VARIABLES, scope='Q_target_net')
e_params = tf.get_collection(tf.GraphKeys.GLOBAL_VARIABLES, scope='Q_eval_net')
# 用 Q_eval_net 参数来替换 Q_target_net 参数
with tf.variable_scope('target_replacement'):
self.target_replace_op = [tf.assign(t, e) for t, e in zip(t_params, e_params)]
self.sess = tf.Session()
if output_graph:
# 输出 TensorBoard 日志文件
tf.summary.FileWriter("logs", self.sess.graph)
# 初始化全局变量
self.sess.run(tf.global_variables_initializer())
'''
构建两个神经网络（Q_eval_net 和 Q_target_net）。
固定住一个神经网络 (Q_target_net) 的参数（所谓 Fixed Q target）。
Q_target_net 相当于 Q_eval_net 的一个历史版本, 拥有 Q_eval_net 之前的一组参数。
这组参数被固定一段时间, 然后再被 Q_eval_net 的新参数所替换。
Q_eval_net 的参数是不断在被提升的
'''
def construct_network(self):
# 输入数据 [s, a, r, s_]
with tf.variable_scope('input'):
self.s = tf.placeholder(tf.float32, [None, self.n_features], name='s') # State
self.a = tf.placeholder(tf.int32, [None, ], name='a') # Action
self.r = tf.placeholder(tf.float32, [None, ], name='r') # Reward
self.s_ = tf.placeholder(tf.float32, [None, self.n_features], name='s_') # 下一个 State
# 权重和偏差
w_initializer, b_initializer = tf.random_normal_initializer(0., 0.3), tf.constant_initializer(0.1)
# 创建 Q_eval 神经网络, 适时更新参数
with tf.variable_scope('Q_eval_net'):
e1 = tf.layers.dense(self.s, 20, tf.nn.relu, kernel_initializer=w_initializer,
bias_initializer=b_initializer, name='e1')
self.q_eval = tf.layers.dense(e1, self.n_actions, kernel_initializer=w_initializer,
bias_initializer=b_initializer, name='e2')
# 创建 Q_target 神经网络, 提供 target Q
with tf.variable_scope('Q_target_net'):
t1 = tf.layers.dense(self.s_, 20, tf.nn.relu, kernel_initializer=w_initializer,
bias_initializer=b_initializer, name='t1')
self.q_next = tf.layers.dense(t1, self.n_actions, kernel_initializer=w_initializer,
bias_initializer=b_initializer, name='t2')
# 在 Q_target_net 中，计算下一个状态 s_j_next 的真实 Q 值
with tf.variable_scope('Q_target'):
q_target = self.r + self.gamma * tf.reduce_max(self.q_next, axis=1)
# tf.stop_gradient 使 q_target 不参与梯度计算的操作
self.q_target = tf.stop_gradient(q_target)
# 在 Q_eval_net 中，计算状态 s_j 的估计 Q 值
with tf.variable_scope('Q_eval'):
a_indices = tf.stack([tf.range(tf.shape(self.a)[0], dtype=tf.int32), self.a], axis=1)
# tf.gather_nd 用 indices 定义的形状来对 params 进行切片
self.q_eval_by_a = tf.gather_nd(params=self.q_eval, indices=a_indices)
# 计算真实值和估计值的误差（loss）
with tf.variable_scope('loss'):
self.loss = tf.reduce_mean(tf.squared_difference(self.q_target, self.q_eval_by_a, name='error'))
# 梯度下降法优化参数
with tf.variable_scope('train'):
self.train_op = tf.train.RMSPropOptimizer(self.lr).minimize(self.loss)
# 在记忆中存储和更新 transition（转换）样本 [s, a, r, s_]
def store_transition(self, s, a, r, s_):
if not hasattr(self, 'memory_count'):
self.memory_count = 0
transition = np.hstack((s, [a, r], s_))
# 记忆总大小是固定的。如果超出总大小, 旧记忆就被新记忆替换
index = self.memory_count % self.memory_size
self.memory[index, :] = transition
self.memory_count += 1
# 根据 state 来选 action
def choose_action(self, state):
# 统一 state 的形状
state = state[np.newaxis, :]
if np.random.uniform() < self.epsilon:
# 随机选择
action = np.random.randint(0, self.n_actions)
else:
# 让 Q_eval_net 神经网络生成所有 action 的值, 并选择值最大的 action
actions_value = self.sess.run(self.q_eval, feed_dict={self.s: state})
action = np.argmax(actions_value)
return action
# 学习
def learn(self):
# 是否替换 Q_target_net 参数
if self.learning_steps % self.replace_target_iter == 0:
self.sess.run(self.target_replace_op)
print('\n替换现实网络的参数...\n')
# 从记忆中随机抽取 batch_size 长度的记忆片段
if self.memory_count > self.memory_size:
sample_index = np.random.choice(self.memory_size, size=self.batch_size)
else:
sample_index = np.random.choice(self.memory_count, size=self.batch_size)
batch_memory = self.memory[sample_index, :]
# 训练 Q_eval_net
_, _ = self.sess.run(
[self.train_op, self.loss],
feed_dict={
self.s: batch_memory[:, :self.n_features],
self.a: batch_memory[:, self.n_features],
self.r: batch_memory[:, self.n_features + 1],
self.s_: batch_memory[:, -self.n_features:],
})
self.learning_steps += 1
Policy Gradient 实现 Gym游戏
实现步骤: 机器人大脑 & 游戏主程序
什么是Policy Gradient
- Policy-Based 方法: 与Value-Based(如Q-learning DQN)不同
策略上做一个梯度下降
Policy Gradient 跳过 Value 阶段，根据概率来输出具体的Action
输出的Action可以是一个连续的值，Value-Based输出是不连续的。
网友评论