【莫烦强化学习】视频笔记（四）2.DQN实现走迷宫

第11节 DQN实现走迷宫——《强化学习笔记》

---

上一节已经详细介绍了DQN的两大利器：REPLAY BUFFER（经验回放机制）和冻结Q-target（目标网络，两个网络中用来估计真实Q值的网络），这里给出DQN的伪代码，方便后面的编程实现。

---

11.1 主循环

DQN伪代码如下:

主循环的主要代码就是上面的更新过程，其它诸如DQN类等代码后续补充。主循环要注意的是，这里的两个网络和REPLAY BUFFER的用处，都是为了切断马尔可夫序列元素之间的关联性。
对于网络的编写、网络参数更新主函数都不做考虑，中间存储到REPLAY BUFFER之后的内容属于学习Q网络的内容，都在DQN类的learn函数中。
这里还添加了神经网络误差虚线的绘制函数，可以的话，也可以修改代码，输出两个网络的全部LOSS变化情况。

from maze_env import Maze
from DQN import DeepQNetwork


def run_maze():
    step = 0    # 记录步数，用来提示学习的时间
    for episode in range(300):
        # 初始化环境
        observation = env.reset()
        while True:
            env.render()  # 渲染一帧环境画面
            action = RL.choose_action(observation)  # DQN根据当前状态s选择行为a
            observation_, reward, done = env.step(action)  # 与环境进行交互，获得下一状态s'、奖励R和是否到达终态
            RL.store_transition(observation, action, reward, observation_)  # 将当前的采样序列存储到RF中（s, a, R, s'）

            # 200步之后开始学习，每隔5步学习一次，更新Q网络参数（第一个网络）
            if (step > 200) and (step % 5 == 0):
                RL.learn()

            observation = observation_  # 转移至下一状态
            if done:  # 如果终止, 就跳出循环
                break
            step += 1   # 总步数 + 1

    # 游戏结束
    print('game over')
    env.destroy()


if __name__ == "__main__":
    env = Maze()  # 创建环境
    RL = DeepQNetwork(env.n_actions, env.n_features,
                      learning_rate=0.01,
                      reward_decay=0.9,
                      e_greedy=0.9,
                      replace_target_iter=200,  # 每 200 步替换一次 target_net 的参数
                      memory_size=2000, # 记忆上限
                      # output_graph=True   # 是否输出 tensorboard 文件
                      )
    env.after(100, run_maze)
    env.mainloop()
    RL.plot_cost()  # 神经网络的误差曲线

---

11.2 DeepQNetwork类

DQN与Q学习和SARSA有很大不同，主类的代码包含参数初始化、创建网络、存储记忆、选择动作、学习和绘制学习曲线这几个模块。

参数初始化

具体参数含义在代码注释中。

import tensorflow as tf
import numpy as np


class DeepQNetwork:
    def __init__(
            self,
            n_actions,
            n_features,
            learning_rate=0.01,
            reward_decay=0.9,
            e_greedy=0.9,
            replace_target_iter=300,
            memory_size=500,
            batch_size=48,
            e_greedy_increment=None,
            output_graph=False,
    ):
        self.n_actions = n_actions  # 动作空间，有几个动作
        self.n_features = n_features  # 特征的维度，比如迷宫是在迷宫中的位置(length, height)，图像的话有可能是(m*n)大小的图片
        self.lr = learning_rate  # 学习率，参数更新效率
        self.gamma = reward_decay  # 奖励衰减因子
        self.epsilon_max = e_greedy  # epsilon-greedy的参数，数越大随机性越小
        self.replace_target_iter = replace_target_iter  # 每隔多少步更新目标网络（第二个网络）
        self.memory_size = memory_size  # 记忆上限
        self.batch_size = batch_size  # 每次更新从buffer中取出的记忆数目
        self.epsilon_increment = e_greedy_increment  # epsilon的值随着时间增加，即随机性减小，探索模式参数
        self.epsilon = 0 if e_greedy_increment is not None else self.epsilon_max  # 是否开启探索模式,
        # 并逐步减少探索次数，epsilon为0证明一开始完全随机

        self.learn_step_counter = 0  # 记录学习步数，为了更新目标网络参数

        # 初始化全 0 记忆 [s, a, r, s_]
        self.memory = np.zeros((self.memory_size, n_features * 2 + 2))  # *2的意思是观测值（状态）是二维的（坐标）

        self._build_net()  # 创建Q网络和目标网络

        # 替换 target net 的参数
        t_params = tf.get_collection('target_net_params')  # 提取目标网络的参数
        e_params = tf.get_collection('eval_net_params')  # 提取Q网络的参数
        self.replace_target_op = [tf.assign(t, e) for t, e in zip(t_params, e_params)]  # 更新目标网络参数

        self.sess = tf.Session()

        # 输出日志文件
        if output_graph:
            # $ tensorboard --logdir=logs  命令行的输入方式，查看tensor board命令
            tf.summary.FileWriter("logs/", self.sess.graph)

        self.sess.run(tf.global_variables_initializer())  # 初始化全局参数
        self.cost_his = []  # 记录所有loss, 最后画图用

注意上面的Q网络指的是采样和从buffer取出记忆时生成Q值的网络（简称网络一），目标网络指的是学习更新中用来估计真实Q值，更新速度慢于前者的网络（简称网络二），两个网络 结构完全相同 ，但是第二个网络的参数更新步长更大（每隔一定时间将网络一参数赋给网络二）。

创建网络

网络创建这部分代码有一些难度，需要用到tensor flow，这里只有简单的说明和代码，其它部分不做详细解释。网络的具体结构可以在tensor board中查看，tensorboard使用方法：Tensorboard使用详解
具体关于网络结构与Tensorboard可视化的结果请向下看文章。

    def _build_net(self):
        # ------------------ 创建Q网络 ------------------
        self.s = tf.placeholder(tf.float32, [None, self.n_features], name='s')  # 输入状态s
        self.q_target = tf.placeholder(tf.float32, [None, self.n_actions], name='Q_target')  # 用来存放目标Q值
        with tf.variable_scope('eval_net'):
            # c_names：存储参数的集合
            c_names, n_l1, w_initializer, b_initializer = \
                ['eval_net_params', tf.GraphKeys.GLOBAL_VARIABLES], 10, \
                tf.random_normal_initializer(0., 0.3), tf.constant_initializer(0.1)  # 参数初始化器

            # 第一层，线性多项式，参数再复制给目标网络时使用
            with tf.variable_scope('l1'):
                w1 = tf.get_variable('w1', [self.n_features, n_l1], initializer=w_initializer, collections=c_names)
                b1 = tf.get_variable('b1', [1, n_l1], initializer=b_initializer, collections=c_names)
                l1 = tf.nn.relu(tf.matmul(self.s, w1) + b1)

            # 第二层
            with tf.variable_scope('l2'):
                w2 = tf.get_variable('w2', [n_l1, self.n_actions], initializer=w_initializer, collections=c_names)
                b2 = tf.get_variable('b2', [1, self.n_actions], initializer=b_initializer, collections=c_names)
                self.q_eval = tf.matmul(l1, w2) + b2

        with tf.variable_scope('loss'):
            self.loss = tf.reduce_mean(tf.squared_difference(self.q_target, self.q_eval))
        with tf.variable_scope('train'):
            self._train_op = tf.train.RMSPropOptimizer(self.lr).minimize(self.loss)

        # ------------------ 构建目标网络，和Q网络完全相同------------------
        self.s_ = tf.placeholder(tf.float32, [None, self.n_features], name='s_')  # 输入
        with tf.variable_scope('target_net'):
            c_names = ['target_net_params', tf.GraphKeys.GLOBAL_VARIABLES]

            # 第一层
            with tf.variable_scope('l1'):
                w1 = tf.get_variable('w1', [self.n_features, n_l1], initializer=w_initializer, collections=c_names)
                b1 = tf.get_variable('b1', [1, n_l1], initializer=b_initializer, collections=c_names)
                l1 = tf.nn.relu(tf.matmul(self.s_, w1) + b1)

            # 第二层
            with tf.variable_scope('l2'):
                w2 = tf.get_variable('w2', [n_l1, self.n_actions], initializer=w_initializer, collections=c_names)
                b2 = tf.get_variable('b2', [1, self.n_actions], initializer=b_initializer, collections=c_names)
                self.q_next = tf.matmul(l1, w2) + b2

存储记忆

这里REPLAY BUFFER的大小是固定不变的，上面的变量memory_size就是buffer的大小，索引循环指向每一行，新的记忆会覆盖本行旧的记忆。

    def store_transition(self, s, a, r, s_):
        if not hasattr(self, 'memory_counter'):  # 查看变量是否存在
            self.memory_counter = 0  # 记录总的记忆数量

        # 记录一条 [s, a, r, s_] 记录
        transition = np.hstack((s, [a, r], s_))  # 变为水平向量

        # 总 memory 大小是固定的, 如果超出总大小, 旧 memory 就被新 memory 替换
        index = self.memory_counter % self.memory_size  # 类似于循环数组，取余使其循环放置，覆盖之前的内容
        self.memory[index, :] = transition  # 放置记忆
        self.memory_counter += 1  # 记忆条数+1

动作选择

这里首先输入Q网络得到所有动作的Q值，根据$ϵ$-Greedy选择动作索引输出即可。

    def choose_action(self, observation):
        # 在observation前添加一个维度(1, size_of_observation)，为了便于tensor flow处理
        observation = observation[np.newaxis, :]
        if np.random.uniform() < self.epsilon:  # epsilon的概率贪婪选择
            actions_value = self.sess.run(self.q_eval, feed_dict={self.s: observation})  # 输入状态，输出所有动作对应的Q值
            action = np.argmax(actions_value)  # 选择最大的动作
        else:
            action = np.random.randint(0, self.n_actions)   # 随机选择
        return action

学习

这里是关键代码，对应上面的伪代码流程。

• 首先通过$ϵ$-Greedy获得动作a，与环境交互得到奖励R和下一状态s’。将本次经验序列$(s,a,R,s^{\prime },end?)$放入buffer中，其中$end?$表示是否为终态。
• 更新网络时，从buffer取出一批经验序列，先将其$s^{\prime }$输入到Q网络得到预测的动作Q值对应的最大动作，即为代码中的 $ma{x}_{a^{\prime }}\hat{Q}({\varphi }_{j+1},a^{\prime };{\theta }^{-})$。再乘以$\gamma$（衰减系数）加上r（奖励）得到估计的 真实值。
• 再将相应的状态$s$和动作$a$输入到Q网络中得到 估计值。
• 真实值和 估计值做差得到LOSS，使用LOSS进行梯度下降法更新Q网络参数
• 每隔一定步数更新目标网络

    def learn(self):
        # 到达一定步数将Q网络的参数复制到目标网络
        if self.learn_step_counter % self.replace_target_iter == 0:
            self.sess.run(self.replace_target_op)
            print('\ntarget_params_replaced\n')

        # 从 buffer(memory)中随机抽取 batch_size 大小的记忆
        if self.memory_counter > self.memory_size:  # 超过buffer大小选择范围就是buffer的大小
            sample_index = np.random.choice(self.memory_size, size=self.batch_size)  # 否则就是已有记忆条数的大小，避免把空的记忆抽取到
        else:
            sample_index = np.random.choice(self.memory_counter, size=self.batch_size)
        batch_memory = self.memory[sample_index, :]  # 取到一批记忆用于更新网络

        # 获取 q_next (目标网络产生) 和 q_eval(Q网络产生)
        q_next, q_eval = self.sess.run(
            [self.q_next, self.q_eval],
            feed_dict={
                self.s_: batch_memory[:, -self.n_features:],
                self.s: batch_memory[:, :self.n_features]
            })

        # 下面这几步十分重要. q_next, q_eval 包含所有 action 的值,
        # 而我们需要的只是已经选择好的 action 的值, 其他的并不需要.
        # 所以我们将其他的 action 值全变成 0, 将用到的 action 误差值 反向传递回去, 作为更新凭据.
        # 这是我们最终要达到的样子, 比如 q_target - q_eval = [1, 0, 0] - [-1, 0, 0] = [2, 0, 0]
        # q_eval = [-1, 0, 0] 表示这一个记忆中有我选用过 action 0, 而 action 0 带来的 Q(s, a0) = -1, 所以其他的 Q(s, a1) = Q(s, a2) = 0.
        # q_target = [1, 0, 0] 表示这个记忆中的 r+gamma*maxQ(s_) = 1, 而且不管在 s_ 上我们取了哪个 action,
        # 我们都需要对应上 q_eval 中的 action 位置, 所以就将 1 放在了 action 0 的位置.

        # 下面也是为了达到上面说的目的, 不过为了更方面让程序运算, 达到目的的过程有点不同.
        # 是将 q_eval 全部赋值给 q_target, 这时 q_target-q_eval 全为 0,
        # 不过 我们再根据 batch_memory 当中的 action 这个 column 来给 q_target 中的对应的 memory-action 位置来修改赋值.
        # 使新的赋值为 reward + gamma * maxQ(s_), 这样 q_target-q_eval 就可以变成我们所需的样子.
        # 具体在下面还有一个举例说明.

        q_target = q_eval.copy()
        batch_index = np.arange(self.batch_size, dtype=np.int32)
        eval_act_index = batch_memory[:, self.n_features].astype(int)
        reward = batch_memory[:, self.n_features + 1]

        q_target[batch_index, eval_act_index] = reward + self.gamma * np.max(q_next, axis=1)

        """
        假如在这个 batch 中, 我们有2个提取的记忆, 根据每个记忆可以生产3个 action 的值:
        q_eval =
        [[1, 2, 3],
         [4, 5, 6]]

        q_target = q_eval =
        [[1, 2, 3],
         [4, 5, 6]]

        然后根据 memory 当中的具体 action 位置来修改 q_target 对应 action 上的值:
        比如在:
            记忆 0 的 q_target 计算值是 -1, 而且我用了 action 0;
            记忆 1 的 q_target 计算值是 -2, 而且我用了 action 2:
        q_target =
        [[-1, 2, 3],
         [4, 5, -2]]

        所以 (q_target - q_eval) 就变成了:
        [[(-1)-(1), 0, 0],
         [0, 0, (-2)-(6)]]

        最后我们将这个 (q_target - q_eval) 当成误差, 反向传递会神经网络.
        所有为 0 的 action 值是当时没有选择的 action, 之前有选择的 action 才有不为0的值.
        我们只反向传递之前选择的 action 的值,
        """

        # 训练 eval_net
        _, self.cost = self.sess.run([self._train_op, self.loss],
                                     feed_dict={self.s: batch_memory[:, :self.n_features],
                                                self.q_target: q_target})
        self.cost_his.append(self.cost) # 记录 cost 误差

        # 逐渐增加 epsilon, 降低行为的随机性
        self.epsilon = self.epsilon + self.epsilon_increment if self.epsilon < self.epsilon_max else self.epsilon_max
        self.learn_step_counter += 1

绘制学习曲线

    def plot_cost(self):  # 可视化学习结果
        import matplotlib.pyplot as plt  # 用到了 pyplot可视化库
        plt.plot(np.arange(len(self.cost_his)), self.cost_his)
        plt.ylabel('Cost')
        plt.xlabel('training steps')
        plt.show()

---

11.3 运行效果与tensorboard

具有NVIDIA显卡的话可以使用显卡运行代码，速度会快很多，具体方法请自行查找百度。下面是运行界面效果：

如果使用的是PYCHARM，那么可以点击下方控制台的terminal，调出终端，输入tensorboard --logdir logs，显示以下内容：

(base) F:\强化学习\DQN>tensorboard --logdir logs
TensorBoard 1.14.0 at http://电脑信息号（这里不方便给出）:6006/ (Press CTRL+C to quit)

打开任意浏览器，地址栏输入localhost:6006，访问即可看到tensorboard界面显示的网络结构图：
LOSS变化如下：

---

11.4 关于双网络与Replay Buffer的理解

从上面的网络结构图可以很清晰的看出以下几点：

1. Q网络（eval_net）输入状态s，目标网络(target_net)输入状态s’，两者输出得到LOSS
2. Q网络会将其参数值传递给目标网络
3. 只有Q网络在进行参数更新

而Replay Buffer的存在，之前也介绍过目的是减弱时间序列之间的相关性，我绘制了一幅图片来表现Replay Buffer的作用以及过程：

实际上代码中固定大小的存储空间可以当作循环队列使用，效果就是让新的记忆覆盖旧的的记忆。那么成批的记忆是如何同时进行更新的呢？维度的变化是如何的？
这里我也绘制了一幅图像来展示其过程中维度的变化（但是这个图中对应的不是迷宫的例子，是之前写过的Atari游戏的例子，输入的是图像，当然网络结构也不同）：

当然，还有很多值得探索的地方，比如说网络的结构（但是网络结构是在是很复杂，范围很广泛）、batch_size和replay buffer的大小对运行结果的影响等，都可以在代码中尝试。也可以尝试其他环境，在OpenAI Gym中有很多环境，具体使用方法详见：OpenAI gym 环境库

上一篇：【莫烦强化学习】视频笔记（四）1.什么是DQN？
下一篇：【莫烦强化学习】视频笔记（五）1.什么是策略梯度？