1.强化学习就是程序或智能体(agent)通过与环境不断地进行交互学习一个从环境到动作的映射,学习的目标就是使累计回报最大化。
2.强化学习是一种试错学习,因其在各种状态(环境)下需要尽量尝试所有可以选择的动作,通过环境给出的反馈(即奖励)来判断动作的优劣,最终获得环境和最优动作的映射关系(即策略)。
马尔可夫决策过程(MDP)
马尔可夫决策过程(Markov Decision Process)通常用来描述一个强化学习问题。
智能体agent根据当前对环境的观察采取动作获得环境的反馈,并使环境发生改变的循环过程
蒙特卡洛强化学习
1.在现实的强化学习任务中,环境的转移概率、奖励函数往往很难得知,甚至很难得知环境中有多少状态。若学习算法不在依赖于环境建模,则称为免模型学习,蒙特卡洛强化学习就是其中一种。
2.蒙特卡洛强化学习使用多次采样,然后求取平均累计奖赏作为期望累计奖赏的近似。
蒙特卡洛强化学习:直接对状态动作值函数Q(s,a)进行估计,每采样一条轨迹,就根据轨迹中的所有“状态-动作”利用下面的公式对来对值函数进行更新。
每次采样更新完所有的“状态-动作”对所对应的Q(s,a),就需要更新采样策略π。但由于策略可能是确定性的,即一个状态对应一个动作,多次采样可能获得相同的采样轨迹,因此需要借助ε贪心策略:
蒙特卡洛强化学习算法需要采样一个完整的轨迹来更新值函数,效率较低,此外该算法没有充分利用强化学习任务的序贯决策结构。
Q-learning算法结合了动态规划与蒙特卡洛方法的思想,使得学习更加高效。
深度强化学习(DRL)
传统强化学习:真实环境中的状态数目过多,求解困难。
深度强化学习:将深度学习和强化学习结合在一起,通过深度神经网络直接学习环境(或观察)与状态动作值函数Q(s,a)之间的映射关系,简化问题的求解。
Deep Q Network(DQN)
Deep Q Network(DQN):是将神经网略(neural network)和Q-learning结合,利用神经网络近似模拟函数Q(s,a),输入是问题的状态(e.g.,图形),输出是每个动作a对应的Q值,然后依据Q值大小选择对应状态执行的动作,以完成控制。
自主学习Flappy Bird游戏
深度强化学习
2013年,Deep Mind团队在NIPS上发表《Playing Atari with Deep Reinforcement Learning》一文,在该文中首次提出Deep Reinforcement Learning一词,并且提出DQN(Deep Q-Networt)算法,实现了从纯图像输入完全通过学习来玩Atari游戏。
Flappy Bird自主学习程序基本框架
训练过程
训练过程过程主要分为以下三个阶段:
1.观察期(OBSERVE):程序与模拟器进行交互,随机给出动作,获取模拟器中的状态,将状态转移过程存放在D(Replay Memory)中;
2.探索期(EXPLORE):程序与模拟器交互的过程中,依据Replay Memory中存储的历史信息更新网络参数,并随训练过程降低随机探索率ε;
3.训练器(TRAIN):ε已经很小,不再发生改变,网络参数随着训练过程不断趋于稳定。
1.打开游戏模拟器,不执行跳跃动作,获取游戏的初始状态
2.根据ε贪心策略获得一个动作(由于神经网络参数也是随机初始化的,在本阶段参数也不会进行更新,所以统称为随机动作),并根据迭代次数减小ε的大小
3.由模拟器执行选择的动作,能够返回新的状态和反馈奖励
4.将上一状态s,动作a,新状态s’,反馈r组装成(s,a,s‘,r)放进Replay Memory中用作以后的参数更新
5.根据新的状态s‘,根据ε贪心策略选择下一步执行的动作,周而复始,直至迭代次数到达探索期
探索期与观察期的唯一区别在于会根据抽样对网络参数进行更新。
1.迭代次数达到一定数目,进入探索期,根据当前状态s,使用ε贪心策略选择一个动作(可以是随机动作或者由神经网络选择动作),并根据迭代次数减小ε的值
2.由模拟器执行选择的动作,能够返回新的状态和反馈奖励
3.将上一状态s,动作a,新状态s’,反馈r组装成(s,a,a‘,r)放进Replay Memory中用作参数更新
4.从Replay Memory中抽取一定量的样本,对神经网络的参数进行更新
5.根据新的状态s‘,根据ε贪心策略选择下一步执行的动作,周而复始,直至迭代次数到达训练器
相关库的介绍和安装
tensorflow库
TensorFlow是谷歌2015年开源的一个人工智能学习系统。主要目的是方便研究人员开展机器学习和深度神经网络方面的研究,目前这个系统更具有通用性,也可广泛用于其他计算领域。
TensorFlow
支持多种前端语言,包括python(python也是tensorflow支持最好的前端语言),因此一般大家利用python实现对tensorflow的调用。
安装:conda install tensorflow
openCV库
OpenCV是一个开源的跨平台的计算机视觉库,实现了大量的图像处理和计算机视觉方面的通用算法。
本实验采用opencv对采集的游戏画面进行预处理
安装:Mac+anaconda安装opencv3非常麻烦,如需安装请查看我的另一篇文章。
PyGame库
Pygame是一个跨平台的模块,专为电子游戏设计。
Pygame相当于是一款游戏引擎,用户无需编写大量的基础模块,而只需完成游戏逻辑本身就可以了。
本实验游戏模拟器采用Pygame实现。
安装:conda install pygame
tensorflow库的基本使用
理解TensorFlow
1.使用图(graph)来表示计算任务;
2.在被称之为会话(Session)的上下文(context)中执行图;
3.使用tensor(张量)表示数据;
4.通过变量(variable)维护状态;
5.使用feed和fetch可以为任意的操作(arbitrary operation)赋值或者从其中获取数据。
6.TensorFlow是一个编程系统,使用图来表示计算任务。图中的节点被称作op(Operation),op可以获得0个或多个tensor,产生0个或多个tensor。每个tensor是一个类型化的多维数组。例如:可以将一组图像集表示成一个四维的浮点数组,四个维度分别是[batch,height,weight,channels]。
7.图(graph)描述了计算的过程。为了进行计算,图必须在会话中启动,会话负责将图中的op分发到cpu或gpu上进行计算,然后将产生的tensot返回。在python中,tensor就是numpy.ndarray对象。
8.TensorFlow程序通常被组织成两个阶段:构建阶段和执行阶段。
构建阶段:op的执行顺序被描述成一个图;
执行阶段:使用会话执行图中的op
例如:通常在构建阶段创建一个图来表示神经网络,在执行阶段反复执行图中的op训练 神经网络。
9.交互式会话(InteractiveSession):为了方便实用Ipython之类的python交互环境,可以使用交互式会话(interactiveSession)来代替Session,使用类似Tensor.run()和Operation.eval()来代替Session.run(),避免使用一个变量来持有会话。
10.feed操作:
前面的例子中,数据均以变量或常量的形式进行存储。Tensorflow还提供了Feed机制,该机制可以临时替代图中任意操作中的tensor。最常见的用例是使用tf.placeholder()创建占位符,相当于是作为图中的输入,然后使用Feed机制向图中占位符提供数据进行计算,具体使用方法见接下来的样例。
网友评论