Deep Q-Network 学习笔记（三）—— 改进①：nature dqn

由于 Q 值与 next Q 使用同一个网络时，是在一边更新一边学习，会不稳定。

所以，这个算法其实就是将神经网络拆分成 2 个，一个 Q 网络，用于同步更新 Q 值，另一个是 target 网络，用于计算目标 Q 值，并且每隔一段时间，自动将最新的 Q 网络的权值同步给 target 网络即可。

其实也就是在上一篇的基础上做以下修改即可：

1.增加一个 target 网络。

2.在记忆回放的时候，取 max Q 的值时将原本使用的 Q 网络修改成使用 target 网络。

3.在训练一定次数后，同步权值。

以下是源码：

import tensorflow as tf
import numpy as np
from collections import deque
import random

class DeepQNetwork:
r = np.array([[-1, -1, -1, -1, 0, -1],
[-1, -1, -1, 0, -1, 100.0],
[-1, -1, -1, 0, -1, -1],
[-1, 0, 0, -1, 0, -1],
[0, -1, -1, 1, -1, 100],
[-1, 0, -1, -1, 0, 100],
])

# 执行步数。
step_index = 0

# 状态数。
STATE_NUM = 6

# 动作数。
ACTION_NUM = 6

# 训练之前观察多少步。
OBSERVE = 1000.

# 选取的小批量训练样本数。
BATCH = 20

# epsilon 的最小值，当 epsilon 小于该值时，将不在随机选择行为。
FINAL_EPSILON = 0.0001

# epsilon 的初始值，epsilon 逐渐减小。
INITIAL_EPSILON = 0.1

# epsilon 衰减的总步数。
EXPLORE = 3000000.

# 探索模式计数。
epsilon = 0

# 训练步数统计。
learn_step_counter = 0

# 学习率。
learning_rate = 0.001

# γ经验折损率。
gamma = 0.9

# 记忆上限。
memory_size = 5000

# 当前记忆数。
memory_counter = 0

# 保存观察到的执行过的行动的存储器，即：曾经经历过的记忆。
replay_memory_store = deque()

# 生成一个状态矩阵（6 X 6），每一行代表一个状态。
state_list = None

# 生成一个动作矩阵。
action_list = None

# q_eval 网络状态输入参数。
q_eval_input = None

# q_eval 网络动作输入参数。
q_action_input = None

# q_eval 网络中 q_target 的输入参数。
q_eval_target = None

# q_eval 网络输出结果。
q_eval_output = None

# q_eval 网络输出的结果中的最优得分。
q_predict = None

# q_eval 网络输出的结果中当前选择的动作得分。
reward_action = None

# q_eval 网络损失函数。
loss = None

# q_eval 网络训练。
train_op = None

# q_target 网络状态输入参数。
q_target_input = None

# q_target 网络输出结果。
q_target_output = None

# 更换 target_net 的步数。
replace_target_stepper = None

# loss 值的集合。
cost_list = None

# 输出图表显示 Q 值走向。
q_list = None
running_q = 0

# tensorflow 会话。
session = None

def __init__(self, learning_rate=0.001, gamma=0.9, memory_size=5000, replace_target_stepper=300):
self.learning_rate = learning_rate
self.gamma = gamma
self.memory_size = memory_size
self.replace_target_stepper = replace_target_stepper

# 初始化成一个 6 X 6 的状态矩阵。
self.state_list = np.identity(self.STATE_NUM)

# 初始化成一个 6 X 6 的动作矩阵。
self.action_list = np.identity(self.ACTION_NUM)

# 创建神经网络。
self.create_network()

# 初始化 tensorflow 会话。
self.session = tf.InteractiveSession()

# 初始化 tensorflow 参数。
self.session.run(tf.initialize_all_variables())

# 记录所有 loss 变化。
self.cost_list = []

# 记录 q 值的变化。
self.q_list = []

def create_network(self):
"""
创建神经网络。
:return:
"""
neuro_layer_1 = 3
w_init = tf.random_normal_initializer(0, 0.3)
b_init = tf.constant_initializer(0.1)

# -------------- 创建 eval 神经网络, 及时提升参数 -------------- #
self.q_eval_input = tf.placeholder(shape=[None, self.STATE_NUM], dtype=tf.float32, name="q_eval_input")
self.q_action_input = tf.placeholder(shape=[None, self.ACTION_NUM], dtype=tf.float32)
self.q_eval_target = tf.placeholder(shape=[None], dtype=tf.float32, name="q_target")

with tf.variable_scope("eval_net"):
q_name = ['eval_net_params', tf.GraphKeys.GLOBAL_VARIABLES]

with tf.variable_scope('l1'):
w1 = tf.get_variable('w1', [self.STATE_NUM, neuro_layer_1], initializer=w_init, collections=q_name)
b1 = tf.get_variable('b1', [1, neuro_layer_1], initializer=b_init, collections=q_name)
l1 = tf.nn.relu(tf.matmul(self.q_eval_input, w1) + b1)

with tf.variable_scope('l2'):
w2 = tf.get_variable('w2', [neuro_layer_1, self.ACTION_NUM], initializer=w_init, collections=q_name)
b2 = tf.get_variable('b2', [1, self.ACTION_NUM], initializer=b_init, collections=q_name)
self.q_eval_output = tf.matmul(l1, w2) + b2
self.q_predict = tf.argmax(self.q_eval_output, 1)

with tf.variable_scope('loss'):
# 取出当前动作的得分。
self.reward_action = tf.reduce_sum(tf.multiply(self.q_eval_output, self.q_action_input), reduction_indices=1)
self.loss = tf.reduce_mean(tf.square((self.q_eval_target - self.reward_action)))

with tf.variable_scope('train'):
self.train_op = tf.train.GradientDescentOptimizer(self.learning_rate).minimize(self.loss)

# -------------- 创建 target 神经网络, 及时提升参数 -------------- #
self.q_target_input = tf.placeholder(shape=[None, self.STATE_NUM], dtype=tf.float32, name="q_target_input")

with tf.variable_scope("target_net"):
t_name = ['target_net_params', tf.GraphKeys.GLOBAL_VARIABLES]

with tf.variable_scope('l1'):
w1 = tf.get_variable('w1', [self.STATE_NUM, neuro_layer_1], initializer=w_init, collections=t_name)
b1 = tf.get_variable('b1', [1, neuro_layer_1], initializer=b_init, collections=t_name)
l1 = tf.nn.relu(tf.matmul(self.q_target_input, w1) + b1)

with tf.variable_scope('l2'):
w2 = tf.get_variable('w2', [neuro_layer_1, self.ACTION_NUM], initializer=w_init, collections=t_name)
b2 = tf.get_variable('b2', [1, self.ACTION_NUM], initializer=b_init, collections=t_name)
self.q_target_output = tf.matmul(l1, w2) + b2

def _replace_target_params(self):
# 使用 Tensorflow 中的 assign 功能替换 target_net 所有参数
t_params = tf.get_collection('target_net_params')                       # 提取 target_net 的参数
e_params = tf.get_collection('eval_net_params')                         # 提取  eval_net 的参数
self.session.run([tf.assign(t, e) for t, e in zip(t_params, e_params)])    # 更新 target_net 参数

def select_action(self, state_index):
"""
根据策略选择动作。
:param state_index: 当前状态。
:return:
"""
current_state = self.state_list[state_index:state_index + 1]
actions_value = self.session.run(self.q_eval_output, feed_dict={self.q_eval_input: current_state})
action = np.argmax(actions_value)
current_action_index = action

# 输出图表。
self.running_q = self.running_q * 0.99 + 0.01 * np.max(actions_value)
self.q_list.append(self.running_q)

if np.random.uniform() < self.epsilon:
current_action_index = np.random.randint(0, self.ACTION_NUM)

# 开始训练后，在 epsilon 小于一定的值之前，将逐步减小 epsilon。
if self.step_index > self.OBSERVE and self.epsilon > self.FINAL_EPSILON:
self.epsilon -= (self.INITIAL_EPSILON - self.FINAL_EPSILON) / self.EXPLORE

return current_action_index

def save_store(self, current_state_index, current_action_index, current_reward, next_state_index, done):
"""
保存记忆。
:param current_state_index: 当前状态 index。
:param current_action_index: 动作 index。
:param current_reward: 奖励。
:param next_state_index: 下一个状态 index。
:param done: 是否结束。
:return:
"""
current_state = self.state_list[current_state_index:current_state_index + 1]
current_action = self.action_list[current_action_index:current_action_index + 1]
next_state = self.state_list[next_state_index:next_state_index + 1]
# 记忆动作(当前状态， 当前执行的动作， 当前动作的得分，下一个状态)。
self.replay_memory_store.append((
current_state,
current_action,
current_reward,
next_state,
done))

# 如果超过记忆的容量，则将最久远的记忆移除。
if len(self.replay_memory_store) > self.memory_size:
self.replay_memory_store.popleft()

self.memory_counter += 1

def step(self, state, action):
"""
执行动作。
:param state: 当前状态。
:param action: 执行的动作。
:return:
"""
reward = self.r[state][action]

next_state = action

done = False

if action == 5:
done = True

return next_state, reward, done

def experience_replay(self):
"""
记忆回放。
:return:
"""
# 检查是否替换 target_net 参数
if self.learn_step_counter % self.replace_target_stepper == 0:
self._replace_target_params()

# 随机选择一小批记忆样本。
batch = self.BATCH if self.memory_counter > self.BATCH else self.memory_counter
minibatch = random.sample(self.replay_memory_store, batch)

batch_state = None
batch_action = None
batch_reward = None
batch_next_state = None
batch_done = None

for index in range(len(minibatch)):
if batch_state is None:
batch_state = minibatch[index][0]
elif batch_state is not None:
batch_state = np.vstack((batch_state, minibatch[index][0]))

if batch_action is None:
batch_action = minibatch[index][1]
elif batch_action is not None:
batch_action = np.vstack((batch_action, minibatch[index][1]))

if batch_reward is None:
batch_reward = minibatch[index][2]
elif batch_reward is not None:
batch_reward = np.vstack((batch_reward, minibatch[index][2]))

if batch_next_state is None:
batch_next_state = minibatch[index][3]
elif batch_next_state is not None:
batch_next_state = np.vstack((batch_next_state, minibatch[index][3]))

if batch_done is None:
batch_done = minibatch[index][4]
elif batch_done is not None:
batch_done = np.vstack((batch_done, minibatch[index][4]))

# -------------- 改进部分  -------------- #
# 获得 q_next 使用另一个神经网络 target。
# q_next：下一个状态的 Q 值。
q_next = self.session.run([self.q_target_output], feed_dict={self.q_target_input: batch_next_state})
# -------------- 改进部分  -------------- #

q_target = []
for i in range(len(minibatch)):
# 当前即时得分。
current_reward = batch_reward[i][0]

# # 游戏是否结束。
# current_done = batch_done[i][0]

# 更新 Q 值。
q_value = current_reward + self.gamma * np.max(q_next[0][i])

# 当得分小于 -1 时，表示走了不可走的位置。
if current_reward <= -1:
q_target.append(current_reward)
else:
q_target.append(q_value)

_, cost, reward = self.session.run([self.train_op, self.loss, self.reward_action],
feed_dict={self.q_eval_input: batch_state,
self.q_action_input: batch_action,
self.q_eval_target: q_target})

self.cost_list.append(cost)

# if self.step_index % 1000 == 0:
#     print("loss:", cost)

self.learn_step_counter += 1

def train(self):
"""
训练。
:return:
"""
# 初始化当前状态。
current_state = np.random.randint(0, self.ACTION_NUM - 1)
self.epsilon = self.INITIAL_EPSILON

while True:
# 选择动作。
action = self.select_action(current_state)

# 执行动作，得到：下一个状态，执行动作的得分，是否结束。
next_state, reward, done = self.step(current_state, action)

# 保存记忆。
self.save_store(current_state, action, reward, next_state, done)

# 先观察一段时间累积足够的记忆在进行训练。
if self.step_index > self.OBSERVE:
self.experience_replay()

if self.step_index - self.OBSERVE > 15000:
break

if done:
current_state = np.random.randint(0, self.ACTION_NUM - 1)
else:
current_state = next_state

self.step_index += 1

def pay(self):
"""
运行并测试。
:return:
"""
self.train()

# 显示 R 矩阵。
print(self.r)

for index in range(5):

start_room = index

print("#############################", "Agent 在", start_room, "开始行动", "#############################")

current_state = start_room

step = 0

target_state = 5

while current_state != target_state:
out_result = self.session.run(self.q_eval_output, feed_dict={
self.q_eval_input: self.state_list[current_state:current_state + 1]})

next_state = np.argmax(out_result[0])

print("Agent 由", current_state, "号房间移动到了", next_state, "号房间")

current_state = next_state

step += 1

print("Agent 在", start_room, "号房间开始移动了", step, "步到达了目标房间 5")

print("#############################", "Agent 在", 5, "结束行动", "#############################")

def show_plt(self):
import matplotlib.pyplot as plt
plt.plot(np.array(self.q_list), c='r', label='natural')
# plt.plot(np.array(q_double), c='b', label='double')
plt.legend(loc='best')
plt.ylabel('Q eval')
plt.xlabel('training steps')
plt.grid()
plt.show()

if __name__ == "__main__":
q_network = DeepQNetwork()
q_network.pay()
q_network.show_plt()