DQN 自主学习玩转 AI 俄罗斯方块
作者 | 李秋键
责编 | Elle
出品 | CSDN（ID：CSDNnews）
自从20世纪80年代以来，游戏AI产生巨大的变化，诞生了“自主思考型AI”,游戏中的NPC会在游戏中观察及分析，根据玩家的行为做出针对性的应对，不再只是按照一个目标一直走下去，而是更加灵活多样。
自主思考性的AI是基于有限状态机与行为树，也就是多个if-else的组合。有限状态机是以电脑AI的当前状态为主体，通过编写不同的状态之间的转换条件来控制电脑AI，不同的状态下拥有不同的目标、策略与行动。
行为树则是以目前的行为作为主题，通过条件判断，得出接下来应该采取的行为策略和行为内容。其中最为典型的便为吃豆人游戏的应用:
而近几年来人工智能发展的迅速，直接推动了AI游戏领域的发展，其中最为代表性的算法便是DQN自主学习，即通过计算机自己尝试去游戏，从失败中总结经验达到高水平AI的效果。
其中就包括王者荣耀等游戏的AI机制。今天我们就将利用DQN去教会计算机玩转俄罗斯方块。
其中训练的部分效果见如图所示：
开始之前我们有必要去了解下DQN算法的基础知识。
基本原理
1. 什么是DQN？
DQN（Deep Q-Learning）可谓是深度强化学习（Deep Reinforcement Learning，DRL）的开山之作，是将深度学习与强化学习结合起来从而实现从感知（Perception）到动作（ Action ）的端对端（End-to-end）学习的一种全新的算法。
2. DQN是如何运算的？
（1）通过Q-Learning使用reward来构造标签
（2）通过experience replay（经验池）的方法来解决相关性及非静态分布问题
（3）使用一个CNN（MainNet）产生当前Q值，使用另外一个CNN（Target）产生Target Q值
3、DQN的网络模型？
下面是代码部分的讲解，我将在关键代码处进行注释说明。
代码实现
1、所使用的模块的导入：
#!/usr/bin/env python
from __future__ import print_function
import tensorflow as tf
import cv2
import sys
import random
import numpy as np
from collections import deque#导入双端队列
sys.path.append("game/")#添加Game目录到系统环境变量
import dummy_game
import tetris_fun as game2、训练前的定义及初始化：
GAME = 'fangkuai' # 设置游戏名称
ACTIONS = 5 # 设置游戏动作数目
GAMMA = 0.99 # 设置增强学习更新公式中的累计折扣因子
OBSERVE = 100000. # 设置观察期的迭代次数
EXPLORE = 2000000. # 设置探索期的观察次数
FINAL_EPSILON = 0.0001 # 设置 ε的最终最小值
INITIAL_EPSILON = 0.0001 # 设置 ε的初始值
REPLAY_MEMORY = 50000 # 设置replay memory的容量
BATCH = 32 # 设置每次网络参数更新世用的样本数目
FRAME_PER_ACTION = 1#设置几帧图像进行一次动作3. 神经网络调用函数参数的定义：
#设置w参数的函数，分布符合正太分布，且方差为0.01
def weight_variable(shape):
initial = tf.truncated_normal(shape, stddev = 0.01)
return tf.Variable(initial)
#设置B参数的函数，为偏执项，初始值为0.01
def bias_variable(shape):
initial = tf.constant(0.01, shape = shape)
return tf.Variable(initial)
#定义卷积操作，实现卷积核w在数据x卷积操作
def conv2d(x, W, stride):
return tf.nn.conv2d(x, W, strides = [1, stride, stride, 1], padding = "SAME")
#定义池化函数，大小为2*2，步长为2
def max_pool_2x2(x):
return tf.nn.max_pool(x, ksize = [1, 2, 2, 1], strides = [1, 2, 2, 1], padding = "SAME")
#定义神经网络参数值函数，目的是用来判断状态带来的结果
def createNetwork():
# 卷积层参数
W_conv1 = weight_variable([8, 8, 4, 32])
b_conv1 = bias_variable([32])
W_conv2 = weight_variable([4, 4, 32, 64])
b_conv2 = bias_variable([64])
W_conv3 = weight_variable([3, 3, 64, 64])
b_conv3 = bias_variable([64])
W_fc1 = weight_variable([1600, 512])
b_fc1 = bias_variable([512])
W_fc2 = weight_variable([512, ACTIONS])
b_fc2 = bias_variable([ACTIONS])
# 输入层
s = tf.placeholder("float", [None, 80, 80, 4])
# 隐藏层，用relu激活函数
h_conv1 = tf.nn.relu(conv2d(s, W_conv1, 4) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2, 2) + b_conv2)
#h_pool2 = max_pool_2x2(h_conv2)
h_conv3 = tf.nn.relu(conv2d(h_conv2, W_conv3, 1) + b_conv3)
#h_pool3 = max_pool_2x2(h_conv3)
#h_pool3_flat = tf.reshape(h_pool3, [-1, 256])
h_conv3_flat = tf.reshape(h_conv3, [-1, 1600])
h_fc1 = tf.nn.relu(tf.matmul(h_conv3_flat, W_fc1) + b_fc1)
#输出层
readout = tf.matmul(h_fc1, W_fc2) + b_fc2
return s, readout, h_fc14. 训练部分的代码：
#定义训练神经网络函数，目的由执行的动作判断结果
def trainNetwork(s, readout, h_fc1, sess):
# 定义损失函数
a = tf.placeholder("float", [None, ACTIONS])
y = tf.placeholder("float", [None])
readout_action = tf.reduce_sum(tf.multiply(readout, a), reduction_indices=1)
cost = tf.reduce_mean(tf.square(y - readout_action))
train_step = tf.train.AdamOptimizer(1e-6).minimize(cost)
# 开启游戏模拟器，会打开一个模拟器窗口，实时显示游戏信息
game_state = game.GameState()
# 创建双端队列用来存放replay memory
D = deque()
# 参数保存在文档中
a_file = open("logs_" + GAME + "/readout.txt", 'w')
h_file = open("logs_" + GAME + "/hidden.txt", 'w')
# 设置游戏的初始状态，设置初始动作为不执行，并将初始状态修改为80*80*4的大小
do_nothing = np.zeros(ACTIONS)
do_nothing[0] = 1
x_t, r_0, terminal = game_state.frame_step(do_nothing)#frame_step是游戏程序中的参数
x_t = cv2.cvtColor(cv2.resize(x_t, (80, 80)), cv2.COLOR_BGR2GRAY)
ret, x_t = cv2.threshold(x_t,1,255,cv2.THRESH_BINARY)#图像转为黑白
s_t = np.stack((x_t, x_t, x_t, x_t), axis=2)
# 用于加载或保存网络参数
saver = tf.train.Saver()
sess.run(tf.initialize_all_variables())
checkpoint = tf.train.get_checkpoint_state("saved_networks")
if checkpoint and checkpoint.model_checkpoint_path:
saver.restore(sess, checkpoint.model_checkpoint_path)#模型保存的文件夹名称
print("Successfully loaded:", checkpoint.model_checkpoint_path)
else:
print("Could not find old network weights")
# 开始训练
epsilon = INITIAL_EPSILON#设置 ε的初始值
t = 0#设置t为学习次数
while "flappy bird" != "angry bird":
#使用ε贪心策略选择一个动作
readout_t = readout.eval(feed_dict={s : [s_t]})[0]
a_t = np.zeros([ACTIONS])
action_index = 0
if t % FRAME_PER_ACTION == 0:
#执行一个随机动作
if random.random() <= epsilon:
print("----------Random Action----------")
action_index = random.randrange(ACTIONS)
a_t[random.randrange(ACTIONS)] = 1
#由神经网络计算的Q（s,a）值确定执行的动作
else:
action_index = np.argmax(readout_t)
a_t[action_index] = 1
else:
a_t[0] = 1 # 不执行任何动作
# 随着游戏的进行不断降低ε的值，减少随机动作
if epsilon > FINAL_EPSILON and t > OBSERVE:
epsilon -= (INITIAL_EPSILON - FINAL_EPSILON) / EXPLORE
# 执行选择的动作，并获得下一状态及回报
x_t1_colored, r_t, terminal = game_state.frame_step(a_t)#分别为执行动作，与模拟器交互获得奖励和下一帧图像以及游戏是否终止
x_t1 = cv2.cvtColor(cv2.resize(x_t1_colored, (80, 80)), cv2.COLOR_BGR2GRAY)
ret, x_t1 = cv2.threshold(x_t1, 1, 255, cv2.THRESH_BINARY)
x_t1 = np.reshape(x_t1, (80, 80, 1))
#s_t1 = np.append(x_t1, s_t[:,:,1:], axis = 2)
s_t1 = np.append(x_t1, s_t[:, :, :3], axis=2)
# 将状态转移过程存储到D中，用于更新参数时采样
D.append((s_t, a_t, r_t, s_t1, terminal))
if len(D) > REPLAY_MEMORY:
D.popleft()
# 过了观察期才会进行网络参数的更新
if t > OBSERVE:
# 从D中随机采样，用于参数更新
minibatch = random.sample(D, BATCH)
# 分别将当前的状态，采取的动作，获得的回报，下一状态分组存放
s_j_batch = [d[0] for d in minibatch]
a_batch = [d[1] for d in minibatch]
r_batch = [d[2] for d in minibatch]
s_j1_batch = [d[3] for d in minibatch]
#计算Q（s,a）的新值
y_batch = []
readout_j1_batch = readout.eval(feed_dict = {s : s_j1_batch})
for i in range(0, len(minibatch)):
terminal = minibatch[i][4]
# 如果游戏结束则只有反馈值
if terminal:
y_batch.append(r_batch[i])
else:
y_batch.append(r_batch[i] + GAMMA * np.max(readout_j1_batch[i]))
# 使用梯度下降更新网络参数
train_step.run(feed_dict = {
y : y_batch,
a : a_batch,
s : s_j_batch}
)
# 状态发生改变时用于下次循环
s_t = s_t1
t += 1
# 每进行10000次迭代保留一下参数
if t % 10000 == 0:
saver.save(sess, 'saved_networks/' + GAME + '-dqn', global_step = t)
# 打印游戏信息
state = ""
if t <= OBSERVE:
state = "observe"
elif t > OBSERVE and t <= OBSERVE + EXPLORE:
state = "explore"
else:
state = "train"
print("TIMESTEP", t, "/ STATE", state,
"/ EPSILON", epsilon, "/ ACTION", action_index, "/ REWARD", r_t,
"/ Q_MAX %e" % np.max(readout_t))
# write info to files
'''
if t % 10000 <= 100:
a_file.write(",".join([str(x) for x in readout_t]) + ' ')
h_file.write(",".join([str(x) for x in h_fc1.eval(feed_dict={s:[s_t]})[0]]) + ' ')
cv2.imwrite("logs_tetris/frame" + str(t) + ".png", x_t1)
'''
总结
下面开始展示游戏训练效果：
训练5秒后得到的分数：
训练10秒后得到的分数：
由此可见随着计算机的学习，他对于俄罗斯方块的操作是越来越好。
作者：李秋键，CSDN 博客专家，CSDN达人课作者。硕士在读于中国矿业大学，开发有安卓武侠游戏一部，vip视频解析，文意转换写作机器人等项目，发表论文若干，多次高数竞赛获奖等等。
热 文 推 荐
☞PHP 可能在未来十年内消失？
☞苹果官网以旧换新价格暴跌；戴威退出 ofo 法人代表及高管；TensorFlow 2.1.0 发布| 极客头条
☞鲲鹏之大，何止几千里？
☞铁打的春晚，流水的互联网公司
☞达摩院 2020 预测：模块化降低芯片设计门槛 | 问底中国 IT 技术演进
☞千万不要和程序员一起合租！
☞在调查过基于模型的强化学习方法后，我们得到这些结论
☞漫话：如何给女朋友解释为什么一到年底，部分网站就会出现日期混乱的现象？
你点的每个“在看”，我都认真当成了喜欢