|
本文目前主要是写给自己的一个笔记，接下来这段时间会逐步记录我是怎么通过学习使用TensorFlow+Keras训练神经网络自己玩儿游戏，如果能间接帮助到他人就最好不过了，不喜勿喷。 上一篇我们已经找到了需要输入神经网络的数据（也就是 这一篇我们就来看看怎么样写一个强化学习的简单算法Q-Learn，并且运用到之前的最简单的游戏中。 在这里找到一个莫烦大神优酷的视频集锦，上面不止讲了Keras，还讲了各种关于机器学习的视频，简单易懂，非常有帮助！ 看了一个DQN的视频，非常简短有力的介绍了我们需要怎么样搭建一个神经网络来玩游戏。 接下来开始用Q-learning来写程序，如图所示是Q-learning算法的伪码。 import numpy as np import pandas as pd import time np.random.seed(2) # reproducible N_STATES = 6 # the length of the 1 dimensional world ACTIONS = ['left', 'right'] # available actions EPSILON = 0.9 # greedy police ALPHA = 0.1 # learning rate GAMMA = 0.9 # discount factor MAX_EPISODES = 13 # maximum episodes FRESH_TIME = 0.3 # fresh time for one move def build_q_table(n_states, actions): table = pd.DataFrame( np.zeros((n_states, len(actions))), # q_table initial values columns=actions, # actions's name ) # print(table) # show table return table def choose_action(state, q_table): # This is how to choose an action state_actions = q_table.iloc[state, :] if (np.random.uniform() > EPSILON) or ((state_actions == 0).all()): # act non-greedy or state-action have no value action_name = np.random.choice(ACTIONS) else: # act greedy action_name = state_actions.idxmax() # replace argmax to idxmax as argmax means a different function in newer version of pandas return action_name def get_env_feedback(S, A): # This is how agent will interact with the environment if A == 'right': # move right if S == N_STATES - 2: # terminate 只有到达终点才有奖励 S_ = 'terminal' R = 1 else: S_ = S + 1 R = 0 else: # move left走左边的奖励永远是0 R = 0 if S == 0: S_ = S # reach the wall else: S_ = S - 1 return S_, R def update_env(S, episode, step_counter): # This is how environment be updated env_list = ['-']*(N_STATES-1) + ['T'] # '---------T' our environment if S == 'terminal': interaction = 'Episode %s: total_steps = %s' % (episode+1, step_counter) print('\r{}'.format(interaction), end='') time.sleep(2) print('\r ', end='') else: env_list[S] = 'o' interaction = ''.join(env_list) print('\r{}'.format(interaction), end='') time.sleep(FRESH_TIME) def rl(): # main part of RL loop q_table = build_q_table(N_STATES, ACTIONS) # 创建一个全为0的q表，用的是pandas for episode in range(MAX_EPISODES): # 主循环，看一共需要训练多少次，也就是一共成功找到宝藏多少次 step_counter = 0 S = 0 is_terminated = False update_env(S, episode, step_counter) # 在环境中更新状态 while not is_terminated: # 如果没找到宝藏就要一直找 A = choose_action(S, q_table) # 通过q表来选择 下一步的动作 S_, R = get_env_feedback(S, A) # 用这个动作来走，并且得到他的奖励 q_predict = q_table.loc[S, A] # 得到q表的预测值，也就是走这一步之前会先看看不走也就是不更新q表会是什么情况 其实也就是前一个状态执行这个动作的q值 if S_ != 'terminal': q_target = R + GAMMA * q_table.iloc[S_, :].max() # GAMMA是衰减率 乘上实际应该走的q值里最大的 else: q_target = R # next state is terminal is_terminated = True # terminate this episode q_table.loc[S, A] += ALPHA * (q_target - q_predict) # update 更新的值实际上是q_predict在q表中的值，也就是上一个状态执行这个动作的q值 S = S_ # move to next state update_env(S, episode, step_counter+1) step_counter += 1 return q_table if __name__ == "__main__": q_table = rl() print('\r\nQ-table:\n') print(q_table) 只是一个非常简单的Q-learning运用，具体的讲解可以看莫烦大神的视频，我再程序上又加了一些中文注释以便理解 接下来改写莫烦大神的视频，使用Q-learning玩儿之前的CartPole-v0游戏。 由于这款游戏传入的状态值是一个连续性变量，不是固定数量的状态值，导致Q-learning算法中的q表一直在更新新的值，不能达到算法的最初目的，所以这样做是不行的。不过还是po一下源码，为以后的算法做准备。 # -*- coding: UTF-8 -*- from Qlearning import QLearningTable import gym if __name__ == '__main__': print('开始学习') RL = QLearningTable(actions=list(range(2))) # 得到Q-learning算法类的实例，可以修改学习率等参数 env = gym.make('CartPole-v1') # env = gym.make('AirRaid-ram-v0') for i_episode in range(2000): observation = env.reset() for t in range(1000): env.render() # print(observation) action = RL.choose_action(str(observation)) # 使用q表来选择 下一步的动作 # action = env.action_space.sample() # print(action) observation_, reward, done, info = env.step(action) # 把当前动作传入环境中，得到真实的奖励和观测 RL.learn(str(observation), action, reward, str(observation_)) # 通过真实的奖励观测和估计的奖励 更新q表 observation = observation_ # 真正的走下一步 if done: print("Episode finished after {} timesteps".format(t + 1)) break 这个是Q-learning算法模块代码： # -*- coding: UTF-8 -*- import numpy as np import pandas as pd class QLearningTable: def __init__(self, actions, learning_rate=0.01, reward_decay=0.9, e_greedy=0.9): self.actions = actions # a list self.lr = learning_rate self.gamma = reward_decay self.epsilon = e_greedy self.q_table = pd.DataFrame(columns=self.actions, dtype=np.float64) def choose_action(self, observation): self.check_state_exist(observation) # action selection if np.random.uniform() < self.epsilon: # choose best action state_action = self.q_table.loc[observation, :] state_action = state_action.reindex(np.random.permutation(state_action.index)) # some actions have same value action = state_action.idxmax() else: # choose random action action = np.random.choice(self.actions) return action def learn(self, s, a, r, s_): self.check_state_exist(s_) q_predict = self.q_table.loc[s, a] if s_ != 'terminal': q_target = r + self.gamma * self.q_table.loc[s_, :].max() # next state is not terminal else: q_target = r # next state is terminal self.q_table.loc[s, a] += self.lr * (q_target - q_predict) # update def check_state_exist(self, state): if state not in self.q_table.index: # append new state to q table self.q_table = self.q_table.append( pd.Series( [0]*len(self.actions), index=self.q_table.columns, name=state, ) ) 根据实践检测Q-learning算法只适合在有限量的状态值下运用，对于连续值没有什么用，其实看懂了算法应该就很容易理解这一点，只是觉得做个试验也不能所以就做了。 这一篇学了Q-learning，发现对我们玩儿游戏这种状态值超级多的情况并不适用。就对走迷宫有点用，但是走迷宫又有dfs深搜这样的算法，所以感觉Q-learning只能算强化学习里面比较启发式的算法吧，没什么实际用。不过我一个初学者也不知道。哈哈哈~ 这篇是真的不喜勿喷了。 下一篇我们将使用Sarsa和Sarsa-lambda来玩一个迷宫游戏。 |
|
|
