下载方式 方式一 公众号后天回复“20180803” 作者 | Robbie Allen 编译 | 专知 整理 | Sanglei, Shengsheng 添加微信:MLAPython (姓名-单位-方向) 即可加入机器学习交流群 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:
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。 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 预处理部分 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: 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。 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:
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。 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。 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。
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。 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!
问题在于这个方法增加了朝右开枪的评估值。
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。 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): 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。
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】。
以上便是深度Q学习构建的全部内容了。在下一章中,将介绍深度Q学习的各类变体。
[1] https://medium./diving-deeper-into-reinforcement-learning-with-q-learning-c18d0db58efe [2] https://simoninithomas./Deep_reinforcement_learning_Course/ [3] https:///@awjuliani [4] https:///emergent-future/simple-reinforcement-learning-with-tensorflow-part-8-asynchronous-actor-critic-agents-a3c-c88f72a5e9f2 [5] http://colah./posts/2015-08-Understanding-LSTMs/ [6] https:///@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:///gCJyVX98KJ4 [9] https://github.com/simoninithomas/Deep_reinforcement_learning_Course/tree/master/DQN/doom 原文链接: https://medium./an-introduction-to-deep-q-learning-lets-play-doom-54d02d8017d8 |
|