深度Q-learning简介【RL系列】

  1. 云栖社区>
  2. 机器学习算法与Python学习>
  3. 博客>
  4. 正文

深度Q-learning简介【RL系列】

技术小能手 2018-08-06 16:53:11 浏览1483
展开阅读全文

今天,我们将构建一个深度Q网络,为环境中的agent实现一个可以获取环境状态信息以及近似Q-value的神经网络。

多亏这个模型,我们才可以使用agent打Doom游戏。

在这篇文章中,你将学到:

什么是深度Q学习(DQL)。

DQL中的最好策略是什么?

如何解决Temporal limitation问题?

为什么我们使用经验回放?

DQL背后的数学理论是什么?

如何通过tensorflow实现?

在Q-learning中加入“Deep”

我们基于Q-learning方法构建了一个可以玩Frozen Lake游戏的agent。当时实现了Q-learing方法并可以更新Q-table。以此表作为“备忘录”来帮助我们找到当给定环境状态时,在未来获得最佳奖励的行为。这是一个好策略,但却扩展性很低。

今天,我们将创建一个可以玩Doom的agent。Doom内的环境非常巨大(百万级的状态集)。创建Q-table并更新它们非常不易。最好的做法是,构建一个神经网络,以近似得出各个状态下行为的Q-values。

image

如何令深度Q学习工作呢?

这看起来非常复杂,但我们将一步一步完成解释。我们的深度Q神经网络的每次输入是4帧图片,输出为各环境下的每个可选行为的Q-values向量。我们需要找到向量中最大的Q-value,以帮我们做出最好的行为决策。

开始,agent的错误很多,但一段时间后,就可以将每帧画面(环境)与最好的行为关联起来

image

预处理部分

image

预处理是非常重要的一步,我们希望减少状态的复杂度,以帮助减少训练过程所需的计算时间。

首先,我们将每帧图像转换为灰度图,因为在我们的例子中,色彩并没有提供很多的重要信息。之后,我们将每帧图片切分,在例子中,屋顶的价值并不大。最后,减少帧的大小,并将每四帧分为一组。

Temporal limitation问题
关于这个问题,Arthur Juliani在他的文章中给出了详细的解释。他提出了一个想法,通过LSTM神经网络解决这一问题。但是,我认为对于初学者来说,将多个帧分成一组的方法更加合适。

你也许会问,为什么需要将每帧图片分为一组?这是由于可以帮我们解决temporal limitation问题。具体例子如下,在Pong游戏中,当你看到这一帧:

image

你能告诉我这个球会往哪去吗?当然不行,因为只有一帧图片是无法做出判断的。但是如果增加几帧信息,就可以很清晰的知道球正朝右边运动。

image

对于我们的Doom agent来说,道理相同,如果一次只输入一帧,则无法知道运动细节,也就则无法做出正确的决策了。

使用卷积神经网络

这些帧图片将使用三个卷积层进行处理。这些网络层可以允许agent发现图片之间的空间关系。

如果你对卷积方法不是很了解,那么可以阅读如下文章。

每个卷积层将使用ELU作为激活函数。在网络中,我们采用一个使用激活函数为ELU的全连接层、一个输出层(采用线性激活函数的全连接层)来为每个行为计算Q-value值。

经验回放:给观察经验带来更大的效率

经验回放可以帮我们解决两个问题:

避免遗忘之前的经验。

减少经验之间的相关性

我将解释这两种概念。这部分的灵感来自于Udacity中深度学习基础的深度Q学习章节。

1、避免遗忘之前的经验
这里遇到各大问题:由于环境与行为间的高相关性,权重是可变化的。

image

在每一个时间步中,我们都会接受一个元祖(状态、行为、反馈、新状态),模型从中学习并获得经验。

我们的问题是在与环境的交互过程中获得了连续样本,并且它倾向于忘记之前的经验。例如,如果我们完成了第一级到第二级的行为,随着时间的推移,agent将倾向于忘记它是如何从第一级运动到第二级的。

image

在多个时间点使用之前的行为,将有助于学习进程变得更加高效。

我们的解决办法是,创建一个“回放缓存”,其中存储的经验元祖将于环境进行交互,之后我们采样到部分样本,输入至神经网络中。

image

2、减少经验间的相关性
此处有另一个问题,我们知道每个行为都会对下一个状态产生影响。输出一组经验元组序列,有可能存在很高的相关性。如果我们在序列顺序上进行训练,有可能会使agent被相关性所影响。

通过对经验回放的随机采样,可以破坏这种相关性。以预防agent灾难性的震荡于消散。

可以通过例子来简单理解一下,首先,我们使用第一个射手,对面是一个怪兽,可以从左运动到右。我们有两把枪于两个可选动作,向左开枪与向右开枪。

image

我们通过经验学习,如果击中怪兽,怪兽从相同方向过来的概率为70%,在这个例子中,这就是我们经验元组的相关性。

开始训练,agent看到怪兽在右边,并且使用右边的抢开枪,正确!然后,下一个怪兽也从右边经过(70%概率),并且agent同样朝右开枪,再一次答对了!

image

问题在于这个方法增加了朝右开枪的评估值。

image

如果agent无法看到足够多的左边的例子(30%概率),那么agent将认为朝右开枪始终是对的,而不关心其他的因素。

image

我们有两种平行策略去解决这一问题。

首先,必须停止从环境的交互中学习,开始尝试不同的方法,采用些随机发现的状态空间。并将结果保存至回放缓存中。

之后,可以调用这些经验,并从其中学习,返回并更新值函数。

最后,将获得一组更好的样例,可以从其中获得更好的泛化模式。

这会避免agent陷于状态空间的某个区域之中,防止某个行为的循环强化。

这个方法可以认为是一种监督学习,在未来的文章中,我们可以看到使用优先经验回放概念的想法,这将使神经网络更频繁的获得“重要”或“稀有”的动作样本。

深度Q学习算法
首先,我们需要了解下数学公式:回忆下Q函数的更新方法(Bellman equation):

image

在此次例子中,我们希望更新网络的权重以减少误差。

误差(TD误差)通过计算Q_target(下一个时刻的最大可能值)与当前状态下预测得到的Q-value间的差值来获得。

image

在算法中,出现了两种处理过程。
1、 对环境采样,并且将观察到的信息存储于回放缓存中。
2、 随机选取一组小batch,并使用梯度下降方法进行迭代学习。

实现深度Q学习
此处有一个作者制作的视频【8】,基于tensorflow创建一个会玩Atari Space Invaders的agent。

现在我们知道强化学习是如何工作的了,我们将一步步实现我们自己的深度Q学习模型。每一步的代码都可以在下文中的Jupyter上面查看。
全部文档及代码见链接【9】。

image

image

image

image

image

image

image

image

image

image

以上便是深度Q学习构建的全部内容了。

[1] https://medium.freecodecamp.org/diving-deeper-into-reinforcement-learning-with-q-learning-c18d0db58efe
[2] https://simoninithomas.github.io/Deep_reinforcement_learning_Course/
[3] https://medium.com/@awjuliani
[4] https://medium.com/emergent-future/simple-reinforcement-learning-with-tensorflow-part-8-asynchronous-actor-critic-agents-a3c-c88f72a5e9f2
[5] http://colah.github.io/posts/2015-08-Understanding-LSTMs/
[6] https://medium.com/@ageitgey/machine-learning-is-fun-part-3-deep-learning-and-convolutional-neural-networks-f40359318721
[7] https://mp.weixin.qq.com/s?__biz=MzU2OTA0NzE2NA==&mid=2247491116&idx=1&sn=74dbd582e6fd0e5a9bd54c28187195dd&chksm=fc85ff3fcbf27629bdd356e0439258ea52f0cacd8390cce24b3c5d516684e2af296b7b2ebccf#rd
[8] https://youtu.be/gCJyVX98KJ4
[9] https://github.com/simoninithomas/Deep_reinforcement_learning_Course/tree/master/DQN/doom

原文发布时间为:2018-08-03
本文来自云栖社区合作伙伴“机器学习算法与Python学习”,了解相关信息可以关注“机器学习算法与Python学习

网友评论

登录后评论
0/500
评论
技术小能手
+ 关注