强化学习(二)—— 价值学习(Value-Based)及DQN

强化学习(二)—— 价值学习(Value-Based)及DQN

在这里插入图片描述

1. DQN介绍

Deep Q Network
在这里插入图片描述

  • 目标:最大化累计奖励(回报U
  • 通过神经网络近似最优动作价值函数:

    Q

    (

    s

    ,

    a

    ;

    W

    )

    Q

    (

    s

    ,

    a

    )

    Q(s,a;W)≈Q^*(s,a)

    Q(s,a;W)Q(s,a)

  • Q函数可以帮助获得最优动作:

    a

    t

    =

    arg max

    a

    Q

    (

    s

    t

    ,

    a

    ;

    W

    )

    a_t = displaystyleargmax_aQ(s_t,a;W)

    at=aargmaxQ(st,a;W)

  • 状态转移函数p可以获得下一时刻的状态:

    s

    t

    +

    1

    =

    p

    (

    s

    t

    ,

    a

    t

    )

    s_{t+1} = p(·|s_t,a_t)

    st+1=p(st,at)

2. TD算法介绍

时序差分算法(Temporal Difference)
在这里插入图片描述

  • 得到t时刻的状态和动作

    S

    t

    =

    s

    t

    ;

    A

    t

    =

    a

    t

    S_t = s_t; A_t=a_t

    St=st;At=at

  • 计算t时刻的Q函数值

    q

    t

    =

    Q

    (

    s

    t

    ,

    a

    t

    ;

    W

    t

    )

    q_t = Q(s_t,a_t;W_t)

    qt=Q(st,at;Wt)

  • 计算t时刻的梯度

    d

    t

    =

    Q

    (

    s

    t

    ,

    a

    t

    ;

    W

    )

    W

    W

    =

    W

    t

    d_t = frac{partial Q(s_t,a_t;W)}{partial W}|_{W=W_t}

    dt=WQ(st,at;W)W=Wt

  • 获得t时刻的奖励和t+1时刻的状态

    s

    t

    +

    1

    ;

    r

    t

    s_{t+1}; r_t

    st+1;rt

  • 计算TD的目标值:

    y

    t

    =

    r

    t

    +

    γ

    max

    a

    Q

    (

    s

    t

    +

    1

    ,

    a

    ;

    W

    t

    )

    y_t = r_t+gamma displaystylemax_aQ(s_{t+1},a;W_t)

    yt=rt+γamaxQ(st+1,a;Wt)

  • 进行梯度更新

    w

    t

    +

    1

    =

    w

    t

    α

    (

    q

    t

    y

    t

    )

    d

    t

    w_{t+1} = w_t-alpha ·(q_t-y_t)·d_t

    wt+1=wtα(qtyt)dt

3. 案例

成功控制锤子保持平衡

# -*- coding: utf-8 -*-
# @Time : 2022/3/28 16:39
# @Author : CyrusMay WJ
# @FileName: run.py
# @Software: PyCharm
# @Blog :https://blog.csdn.net/Cyrus_May

import gym
import time
import tensorflow as tf
import numpy as np

env = gym.make("CartPole-v0")
gamma = 0.9
adam = tf.optimizers.Adam()
state = env.reset()
act = [1,0]
x_before = np.array([list(state)+act])

model = tf.keras.Sequential([
    tf.keras.layers.Dense(128,activation="sigmoid"),
    tf.keras.layers.Dense(64,activation="sigmoid"),
    tf.keras.layers.Dense(1),
])

model.build(input_shape=[None,6])

for epoch in range(2000):
    with tf.GradientTape() as tape:
        q = model(x_before)
    dt = tape.gradient(q,model.trainable_variables)
    env.render()
    state,reward,done,info = env.step(act[-1])
    state = list(state)
    flag = int(tf.argmax(model(np.array([state+[1,0],state+[0,1]]))[:,0]))
    act = [0,0]
    act[flag] = 1
    x_before = np.array([state + act])
    y = reward + gamma*model(x_before)
    dt = [(q[0][0]-y[0][0])*dt[i] for i in range(len(dt))]
    adam.apply_gradients([(i,j) for i,j in zip(dt,model.trainable_variables)])

    print(epoch,":",q[0][0]-y[0][0])
    if done:
        # time.sleep(1)
        state = env.reset()
        act = [1, 0]
        x_before = np.array([list(state) + act])
        continue

print("end!")

for epoch in range(100):
    state = env.reset()
    act = [1, 0]
    env.render()
    state,reward,done,info = env.step(act[-1])
    state = list(state)
    flag = int(tf.argmax(model(np.array([state+[1,0],state+[0,1]]))[:,0]))
    act = [0,0]
    act[flag] = 1

    if done:
        print(epoch)
        break
env.close()

在这里插入图片描述

本文部分为参考B站学习视频书写的笔记!

by CyrusMay 2022 03 28

如果命运是风
什么又是我的弦
——————五月天(一半人生)——————

本图文内容来源于网友网络收集整理提供,作为学习参考使用,版权属于原作者。
THE END
分享
二维码
< <上一篇
下一篇>>