tensorflow
Q-learning

Minimalny przykład

Q-learning jest odmianą uczenia się bez modelowania. W Q-learningu chcemy, aby agent oszacował, jak dobra jest para (stan, akcja), aby mógł wybrać dobre akcje w każdym stanie. Odbywa się to poprzez przybliżenie funkcji wartości akcji (Q), która pasuje do poniższego równania:

Gdzie s i a są stanem i działaniem w bieżącym kroku czasu. R jest natychmiastową nagrodą i jest czynnikiem dyskontowym. A, s ' to obserwowany następny stan.

Gdy agent wchodzi w interakcje ze środowiskiem, widzi stan, w którym się znajduje, wykonuje akcję, otrzymuje nagrodę i obserwuje nowy stan, w którym się przeniósł. Cykl ten trwa, dopóki agent nie osiągnie stanu zakończenia. Ponieważ Q-learning jest metodą niezgodną z polityką, możemy zapisać każdą (stan, akcję, nagrodę, następny stan) jako doświadczenie w buforze powtórek. Z tych doświadczeń pobierane są próbki w każdej iteracji szkolenia i wykorzystywane do poprawy naszej oceny Q. Oto jak:

1. Na podstawie parametru next_state oblicz wartość Q dla następnego kroku, zakładając, że agent zachłannie wybiera akcję w tym stanie, stąd np. np.max(next_state_value) w poniższym kodzie.
2. Wartość Q następnego kroku jest dyskontowana i dodawana do natychmiastowej nagrody obserwowanej przez agenta: (stan, akcja, nagroda , stan ')
3. Jeśli działanie stanu skutkuje zakończeniem odcinka, używamy Q = reward zamiast kroków 1 i 2 powyżej (nauka epizodyczna). Musimy więc również dodać flagę zakończenia do każdego doświadczenia dodawanego do bufora: (stan, akcja, nagroda, następny_stat, zakończone)
4. W tym momencie mamy wartość Q obliczoną z reward i next_state a także mamy inną wartość Q, która jest wyjściem aproksymatora funkcji sieci q. Zmieniając parametry aproksymatora funkcji sieci q za pomocą opadania gradientu i minimalizując różnicę między tymi dwiema wartościami akcji, aproksymator funkcji Q zbliża się do prawdziwych wartości akcji.

Oto implementacja głębokiej sieci Q.

import tensorflow as tf
import gym
import numpy as np

def fullyConnected(name, input_layer, output_dim, activation=None):
    """
    Adds a fully connected layer after the `input_layer`. `output_dim` is
    the size of next layer. `activation` is the optional activation 
    function for the next layer.
    """
    initializer = tf.random_uniform_initializer(minval=-.003, maxval=.003)

    input_dims = input_layer.get_shape().as_list()[1:]
    weight = tf.get_variable(name + "_w", shape=[*input_dims, output_dim],
                             dtype=tf.float32, initializer=initializer)
    bias = tf.get_variable(name + "_b", shape=output_dim, dtype=tf.float32,
                           initializer=initializer)
    next_layer = tf.matmul(input_layer, weight) + bias

    if activation:
        next_layer = activation(next_layer, name=name + "_activated")

    return next_layer

class Memory(object):
    """
    Saves experiences as (state, action, reward, next_action, 
    termination). It only supports discrete action spaces.
    """

    def __init__(self, size, state_dims):
        self.length = size

        self.states = np.empty([size, state_dims], dtype=float)
        self.actions = np.empty(size, dtype=int)
        self.rewards = np.empty((size, 1), dtype=float)
        self.states_next = np.empty([size, state_dims], dtype=float)
        self.terminations = np.zeros((size, 1), dtype=bool)

        self.memory = [self.states, self.actions,
                       self.rewards, self.states_next, self.terminations]

        self.pointer = 0
        self.count = 0

    def add(self, state, action, reward, next_state, termination):
        self.states[self.pointer] = state
        self.actions[self.pointer] = action
        self.rewards[self.pointer] = reward
        self.states_next[self.pointer] = next_state
        self.terminations[self.pointer] = termination
        self.pointer = (self.pointer + 1) % self.length
        self.count += 1

    def sample(self, batch_size):
        index = np.random.randint(
            min(self.count, self.length), size=(batch_size))
        return (self.states[index], self.actions[index],
            self.rewards[index], self.states_next[index],
            self.terminations[index])

class DQN(object):
    """
    Deep Q network agent. 
    """

    def __init__(self, state_dim, action_dim, memory_size, layer_dims,
                 optimizer):

        self.action_dim = action_dim
        self.state = tf.placeholder(
            tf.float32, [None, state_dim], "states")
        self.action_ph = tf.placeholder(tf.int32, [None], "actions")
        self.action_value_ph = tf.placeholder(
            tf.float32, [None], "action_values")
        self.memory = Memory(memory_size, state_dim)

        def _make():
            flow = self.state
            for i, size in enumerate(layer_dims):
                flow = fullyConnected(
                    "layer%i" % i, flow, size, tf.nn.relu)

            return fullyConnected(
                "output_layer", flow, self.action_dim)

        # generate the learner network
        with tf.variable_scope('learner'):
            self.action_value = _make()
        # generate the target network
        with tf.variable_scope('target'):
            self.target_action_value = _make()

        # get parameters for learner and target networks
        from_list = tf.get_collection(
            tf.GraphKeys.TRAINABLE_VARIABLES, scope='learner')
        target_list = tf.get_collection(
            tf.GraphKeys.TRAINABLE_VARIABLES, scope='target')

        # create a copy operation from parameters of learner 
        # to parameters of target network
        from_list = sorted(from_list, key=lambda v: v.name)
        target_list = sorted(target_list, key=lambda v: v.name)
        self.update_target_network = []
        for i in range(len(from_list)):
            self.update_target_network.append(target_list[i].assign(from_list[i]))

        # gather the action-values of the performed actions
        row = tf.range(0, tf.shape(self.action_value)[0])
        indexes = tf.stack([row, self.action_ph], axis=1)
        action_value = tf.gather_nd(self.action_value, indexes)

        # calculate loss of Q network
        self.single_loss = tf.square(action_value - self.action_value_ph)
        self._loss = tf.reduce_mean(self.single_loss)

        self.train_op = optimizer.minimize(self._loss)

    def train(self, session, batch=None, discount=.97):
        states, actions, rewards, next_states, terminals =\
            self.memory.sample(batch)
        next_state_value = session.run(
            self.target_action_value, {self.state: next_states})
        observed_value = rewards + discount * \
            np.max(next_state_value, 1, keepdims=True)
        observed_value[terminals] = rewards[terminals]

        _, batch_loss = session.run([self.train_op, self._loss], {
            self.state: states, self.action_ph: actions,
            self.action_value_ph: observed_value[:, 0]})
        return batch_loss

    def policy(self, session, state):
        return session.run(self.action_value, {self.state: [state]})[0]

    def memorize(self, state, action, reward, next_state, terminal):
        self.memory.add(state, action, reward, next_state, terminal)

    def update(self, session):
        session.run(self.update_target_network)

W głębokiej sieci Q stosuje się kilka mechanizmów poprawiających zbieżność agenta. Nacisk kładziony jest na losowe próbkowanie doświadczeń z bufora powtórzeń, aby zapobiec jakiejkolwiek relacji czasowej między doświadczeniami próbkowanymi. Innym mechanizmem jest wykorzystanie sieci docelowej do oceny wartości Q dla next_state . Sieć docelowa jest podobna do sieci uczącej się, ale jej parametry są modyfikowane znacznie rzadziej. Ponadto sieć docelowa nie jest aktualizowana przez opadanie gradientu, zamiast tego co jakiś czas jej parametry są kopiowane z sieci ucznia.

Poniższy kod stanowi przykład uczenia się tego agenta w zakresie wykonywania działań w środowisku Cartpole .

ENVIRONMENT = 'CartPole-v1'  # environment name from `OpenAI`.
MEMORY_SIZE = 50000  # how many of recent time steps should be saved in agent's memory
LEARNING_RATE = .01  # learning rate for Adam optimizer
BATCH_SIZE = 8  # number of experiences to sample in each training step
EPSILON = .1  # how often an action should be chosen randomly. This encourages exploration
EPXILON_DECAY = .99  # the rate of decaying `EPSILON`
NETWORK_ARCHITECTURE = [100] # shape of the q network. Each element is one layer
TOTAL_EPISODES = 500  # number of total episodes
MAX_STEPS = 200  # maximum number of steps in each episode
REPORT_STEP = 10  # how many episodes to run before printing a summary

env = gym.make(ENVIRONMENT)  # initialize environment
state_dim = env.observation_space.shape[
    0]  # dimensions of observation space
action_dim = env.action_space.n

optimizer = tf.train.AdamOptimizer(LEARNING_RATE)
agent = DQN(state_dim, action_dim, MEMORY_SIZE,
            NETWORK_ARCHITECTURE, optimizer)

eps = [EPSILON]

def runEpisode(env, session):
    state = env.reset()
    total_l = 0.
    total_reward = 0.
    for i in range(MAX_STEPS):
        if np.random.uniform() < eps[0]:
            action = np.random.randint(action_dim)
        else:
            action_values = agent.policy(session, state)
            action = np.argmax(action_values)

        next_state, reward, terminated, _ = env.step(action)

        if terminated:
            reward = -1

        total_reward += reward

        agent.memorize(state, action, reward, next_state, terminated)
        state = next_state
        total_l += agent.train(session, BATCH_SIZE)

        if terminated:
            break

    eps[0] *= EPXILON_DECAY
    i += 1

    return i, total_reward / i, total_l / i

session = tf.InteractiveSession()
session.run(tf.global_variables_initializer())

for i in range(1, TOTAL_EPISODES + 1):
    leng, reward, loss = runEpisode(env, session)
    agent.update(session)
    if i % REPORT_STEP == 0:
        print(("Episode: %4i " +
               "| Episod Length: %3i " +
               "| Avg Reward: %+.3f " +
               "| Avg Loss: %6.3f " +
               "| Epsilon: %.3f") %
              (i, leng, reward, loss, eps[0]))