前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >入门必看 | 深度Q-learning简介【RL系列】

入门必看 | 深度Q-learning简介【RL系列】

作者头像
昱良
发布2018-08-20 10:28:10
4660
发布2018-08-20 10:28:10
举报
文章被收录于专栏:机器学习算法与Python学习

作者 | Robbie Allen

编译 | 专知

整理 | Sanglei, Shengsheng

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。

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:

  • 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。

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。

  • Fixed Q-values
  • Prioritized Experience Replay
  • Double DQN
  • Dueling Networks

[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

原文链接:

https://medium.freecodecamp.org/an-introduction-to-deep-q-learning-lets-play-doom-54d02d8017d8

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2018-08-03,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 机器学习算法与Python学习 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档