一、DQN的概念
Deep Q-Network (DQN) 是一种深度强化学习算法,是专门用于解决高维空间的决策问题。其基础是 Q-Learning 算法,将 Q-Learning 扩展到了 CNN 等深度神经网络中,可以用于解决图像、文本等高维状态下的问题。
DQN 由 Google DeepMind 在 2013 年提出,在 Atari 游戏平台上进行测试,表现出了与人类相似的游戏操作策略。
DQN 不仅在游戏领域有着很好的应用,也被广泛应用于机器人控制、自动驾驶等领域。
二、DQN的工作原理
DQN 的核心是 Q-learning 算法,它是一种基于值迭代的算法,用于真实世界和决策的强化学习。Q-learning 的基本想法是学习一个最优的 Q 函数,它将每个状态和动作映射到预期的长期回报。
在 DQN 中,Q 函数被建模为深度神经网络。Model-free RL 使用这样的方式来直接估计策略的价值函数,而不需要建模状态-动作转移概率(无需使用模型),从而避免了MDP中状态转移概率未知或复杂情况下的建模工作
在每个时刻,Agent 通过观察当前状态来决定执行哪个动作。同时,它用一条轨迹来更新 Q 函数,直到获得最优的策略。
三、DQN的算法流程
DQN 算法包含以下主要步骤:
1. 初始化深度神经网络,将状态 s 作为输入,将动作 a 的 Q 值作为输出。
2. 探索和利用:在每个时间步,Agent 以 ε-greedy 策略(有一定的概率进行随机动作)进行动作选择。
3. 执行动作:Agent 执行选择的动作,并观察环境的反馈信息。
4. 记录经验:将经验(状态、动作、下个状态、奖励)存储在记忆池中。
5. 训练网络:从记忆池中随机抽取经验,计算损失函数,进行网络的反向传播。
6. 更新网络参数:使用梯度下降方法更新网络参数。
7. 重复执行以上步骤。
四、DQN的注意点
在 DQN 的训练过程中,有以下注意点:
1. 探索与开发的平衡问题。ε-greedy 算法可以在一定程度上缓解这一问题。
2. 记忆池的选择。记忆池的大小要适当,不能过小或过大。
3. 神经网络架构的选择问题。神经网络需要选择合适的深度、宽度、激活函数等超参数。(例如使用convolutional neural network 或者 feed forward neural network)
五、DQN的相关代码
import gym import numpy as np import random import tensorflow as tf from collections import deque class DQN_Agent(): def __init__(self, env): self.env = env self.memory = deque(maxlen=2000) self.gamma = 0.95 self.epsilon = 1.0 self.epsilon_decay = 0.995 self.epsilon_min = 0.01 self.learning_rate = 0.001 self.tau = 0.125 self.model = self.create_model() self.target_model = self.create_model() def create_model(self): model = tf.keras.models.Sequential() model.add(tf.keras.layers.Dense(24, input_dim=self.env.observation_space.shape[0], activation="relu")) model.add(tf.keras.layers.Dense(24, activation="relu")) model.add(tf.keras.layers.Dense(self.env.action_space.n, activation="linear")) model.compile(loss="mse", optimizer=tf.keras.optimizers.Adam(lr=self.learning_rate)) return model def remember(self, state, action, reward, next_state, done): self.memory.append((state, action, reward, next_state, done)) def act(self, state): if np.random.rand() <= self.epsilon: return self.env.action_space.sample() q_values = self.model.predict(state) return np.argmax(q_values[0]) def replay(self, batch_size): if len(self.memory) < batch_size: return minibatch = random.sample(self.memory, batch_size) for state, action, reward, next_state, done in minibatch: target = self.target_model.predict(state) if done: target[0][action] = reward else: q_next = max(self.target_model.predict(next_state)[0]) target[0][action] = reward + self.gamma * q_next self.model.fit(state, target, epochs=1, verbose=0) def target_train(self): weights = self.model.get_weights() target_weights = self.target_model.get_weights() for i in range(len(target_weights)): target_weights[i] = self.tau * weights[i] + (1 - self.tau) * target_weights[i] self.target_model.set_weights(target_weights) def run(self, episodes=1000, batch_size=64): for e in range(episodes): state = self.env.reset() state = np.reshape(state, [1, self.env.observation_space.shape[0]]) score = 0 done = False while not done: action = self.act(state) next_state, reward, done, info = self.env.step(action) score += reward next_state = np.reshape(next_state, [1, self.env.observation_space.shape[0]]) self.remember(state, action, reward, next_state, done) state = next_state self.replay(batch_size) self.target_train() if done: print("episode: {}/{}, score: {}, epsilon: {:.2}".format(e, episodes, score, self.epsilon)) break if self.epsilon > self.epsilon_min: self.epsilon *= self.epsilon_decay if e % 10 == 0: self.target_model.set_weights(self.model.get_weights()) env = gym.make("CartPole-v0") agent = DQN_Agent(env) agent.run()