强化学习笔记+代码（五）：Double-DQN、Dueling DQN结构原理和Agent实现
本文主要整理和参考了李宏毅的强化学习系列课程和莫烦python的强化学习教程
本系列主要分几个部分进行介绍
- 强化学习背景介绍
- SARSA算法原理和Agent实现
- Q-learning算法原理和Agent实现
- DQN算法原理和Agent实现(tensorflow)
- Double-DQN、Dueling DQN算法原理和Agent实现(tensorflow)
- Policy Gradients算法原理和Agent实现(tensorflow)
- Actor-Critic、A2C、A3C算法原理和Agent实现(tensorflow)
一、Why Double-DQN
先回顾一下DQN算法
实际上DQN算出的状态s动作a的价值经常是被高估的，为什么这么说呢，因为里面核心是求 Q ∗ ( s , a ) = r + γ m a x [ Q ( s ′ , a ′ ) ] Q_*(s,a)=r+γmax[Q(s',a')] Q∗(s,a)=r+γmax[Q(s′,a′)]，其中 Q ( s ′ , a ′ ) Q(s',a') Q(s′,a′)是一个随机变量，那么 Q ( s ′ , a ′ ) Q(s',a') Q(s′,a′)就是不稳定的。而在算法中，我们每次都要取 m a x [ Q ( s ′ , a ′ ) ] max[Q(s',a')] max[Q(s′,a′)]，当有一串Q(s’,a’)时，我们总是选择最高的。这就导致了DQN算出的状态s动作a的价值经常是被高估的。下图展示了四个游戏中DQN的表现：
橙色的曲线代表DQN估测的Q-value，橙色的直线代表DQN训练出来的policy实际中获得的Q-value，可以看出DQN估测的Q-value通常是被高度的。
蓝色的曲线代表Double DQN估测的Q-value，蓝色的直线代表Double DQN训练出来的policy实际中获得的Q-value。可以看出Double DQN估计出的Q-value要更符合现实。
那么什么是Double DQN呢？实际上就是将DQN的 Q ∗ ( s , a ) = r + γ m a x [ Q ( s ′ , a ′ ) ] Q_*(s,a)=r+γmax[Q(s',a')] Q∗(s,a)=r+γmax[Q(s′,a′)]（这是DQN被高度的原因）的形式进行改动，变为如下形式：
其中红色框和蓝色框的 Q Q Q来自不同的network。可以看到算法利用 m a x [ Q ( s t + 1 , a ) ] max[Q(s_{t+1},a)] max[Q(st+1,a)]选出了 s t + 1 s_{t+1} st+1时刻价值最高的动作，再将得到的动作 a t + 1 a_{t+1} at+1和状态 s t + 1 s_{t+1} st+1带入另一个network的 Q ′ ( s , a ) Q'(s,a) Q′(s,a)算出价值，作为最终的跟更新时使用的价值。
这个公式的理解是非常直观的，就好比病人去医院检查心脏病，第一次检查出很高患有心脏病。为了确认这个判断是否正确，此时最好的方法就是找另一个医生再检查一次。
实际上：即便Q过估计了某个值，只要Q’没有高估，最后的结果还是正常的；即便Q’高估了某个值，只要Q没有选到那个action，最后的结果还是正常的.
我们并不去找真正去找另一个神经网络Q’。因为在DQN中我们已经有了两个结构一样的神经网络，一个是eval network，一个是target network。
此次只需要将先用eval network估计出 m a x [ Q ( s t + 1 , a ) ] max[Q(s_{t+1},a)] max[Q(st+1,a)]，在将选出的动和 s t + 1 s_{t+1} st+1作带入target network进行求解即可。
二、 Double-DQN的Agent编写
Double-DQN的agent编写与DQN几乎一样只是在求q估计的时候先用eval network求出价值最大的动作，再讲这个动作带入target network。
之前在DQN中使用的公式为
q_target[batch_index, eval_act_index]=reward+self.gamma * np.max(q_next, axis=1)
现在改为：
#用t+1的状态带入eval network先选出动作
action_value = self.sess.run(self.q_eval, feed_dict={self.s: batch_memory[:, -self.n_features:]})
#维度为[batch_size, 1]
action = np.argmax(action_value, axis=1)
q_target[batch_index, eval_act_index]=reward+self.gamma * q_next[batch_index, action]
完整agent代码如下：
class Double_DeepQNetwork(object):
#replace_target_iter为更新target network的步数，防止target network和eval network差别过大
#memory_size为buffer储存记忆上线，方便使用以前记忆学习
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=32,e_greedy_increment=None,output_graph=False):
self.n_actions = n_actions
self.n_features = n_features
self.lr = learning_rate
self.gamma = reward_decay
self.epsilon_max = e_greedy # epsilon后面奖励对前面的递减参数
self.replace_target_iter = replace_target_iter # 更换 target_net 的步数
self.memory_size = memory_size # 记忆上限
self.batch_size = batch_size # 每次更新时从 memory 里面取多少记忆出来
self.epsilon_increment = e_greedy_increment # epsilon 的增量
#epsilon = 0等于0时，后面的奖励创传不到前面，前面的状态就开启随机探索模式
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
# 记录学习次数 (用于判断是否更换 target_net 参数)
self.learn_step_counter = 0
# 初始化全 0 记忆 [s, a, r, s_]， 实际上feature为状态的维度，n_features*2分别记录s和s_，+2记录a和r
self.memory = np.zeros((self.memory_size, n_features*2+2))
self._build_net()
#替换 target net 的参数
t_params = tf.get_collection('target_net_params') #提取 target_net 的参数
e_params = tf.get_collection('eval_net_params') # 提取 eval_net 的参数
#将eval_network中每一个variable的值赋值给target network的对应变量
self.replace_target_op = [tf.assign(t, e) for t, e in zip(t_params, e_params)] #更新 target_net 参数
self.sess = tf.Session()
if output_graph:
tf.summary.FileWriter("logs/", self.sess.graph)
self.sess.run(tf.global_variables_initializer())
#用于记录# 记录所有 cost 变化
self.cost_his = []
#李宏毅老师克重的relpay buffer，通过以往的记忆中不断训练
#这是DQN变为off-policy的核心
def store_transition(self, s, a, r, s_):
#如果DeepQNetwork中定义了memory_counter，进行记忆存储
if not hasattr(self, 'memory_counter'):
self.memory_counter = 0
#记录一条 [s, a, r, s_] 记录
transition = np.hstack((s, [a, r], s_))
#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hashmap赋值思想
self.memory[index, :] = transition #进行替换
self.memory_counter += 1
#建立神经网络
#此处建立两个申请网络，一个为target network，用于得到q现实。一个为eval_network，用于得到q估计
#target network和eval_network结构一样，target network用比较老的参数，eval_network为真正训练的神经网络
def _build_net(self):
tf.reset_default_graph() #清空计算图
#创建eval神经网络,及时提升参数
self.s = tf.placeholder(tf.float32, [None, self.n_features], name='s') # 用来接收 observation，即神经网络的输入
self.q_target = tf.placeholder(tf.float32, [None, self.n_actions], name='Q_target') # q_target的值, 这个之后会通过计算得到，神经网络的输出
#eval_net域下的变量
with tf.variable_scope('eval_net'):
#c_names用于在一定步数之后更新target network
#GLOBAL_VARIABLES作用是collection默认加入所有的Variable对象，用于共享
c_names = ['eval_net_params', tf.GraphKeys.GLOBAL_VARIABLES]
n_l1 = 10 #n_l1为network隐藏层神经元的个数
w_initializer = tf.random_normal_initializer(0.,0.3)
b_initializer = tf.constant_initializer(0.1)
#eval_network第一层全连接神经网络
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)
#eval_network第二层全连接神经网络
with tf.variable_scope('l1'):
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)
#求出q估计值，长度为n_actions的向量
self.q_eval = tf.matmul(l1, w2) + b2
with tf.variable_scope('loss'): # 求误差
#使用平方误差
self.loss = tf.reduce_mean(tf.squared_difference(self.q_target, self.q_eval))
with tf.variable_scope('train'): # 梯度下降
optimizer = tf.train.RMSPropOptimizer(self.lr)
self._train_op = optimizer.minimize(self.loss)
#创建target network，输入选择一个action后的状态s_,输出q_target
self.s_ = tf.placeholder(tf.float32, [None, self.n_features], name='s_') # 接收下个 observation
with tf.variable_scope('target_net'):
c_names = ['target_net_params', tf.GraphKeys.GLOBAL_VARIABLES]
# target_net 的第一层fc， collections 是在更新 target_net 参数时会用到
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)
# target_net 的第二层fc
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)
#申请网络输出
self.q_next = tf.matmul(l1, w2) + b2
print(self.q_next)
def choose_action(self, observation):
#根据observation（state）选行为
#使用eval network选出state下的行为估计
#将observation的shape变为(1, size_of_observation)，行向量变为列向量才能与NN维度统一
observation = observation[np.newaxis, :]
if np.random.uniform() < self.epsilon:
action_value = self.sess.run(self.q_eval, feed_dict={self.s:observation})
action = np.argmax(action_value)
else:
action = np.random.randint(0, self.n_actions) #随机选择
return action
def learn(self):
if self.learn_step_counter % self.replace_target_iter ==0:
self.sess.run(self.replace_target_op)
print('\ntarget_params_replaced\n')
#从memory中随机抽取batch_size这么多记忆
if self.memory_counter > self.memory_size: #说明记忆库已经存满，可以从记忆库任意位置收取
sample_index = np.random.choice(self.memory_size, size=self.batch_size)
else: #记忆库还没有存满，从现有的存储记忆提取
sample_index = np.random.choice(self.memory_counter, size=self.batch_size)
batch_memory= self.memory[sample_index, :]
# 获取q_next即q现实(target_net产生的q)和q_eval(eval_net产生的q)
#q_next和q_eval都是一个向量，包含了对应状态下所有动作的q值
#实际上feature为状态的维度，batch_memory[:, -self.n_features:]为s_,即状态s采取动作action后的状态s_, batch_memory[:, :self.n_features]为s
# 获取q_next即q现实(target_net产生的q)和q_eval(eval_net产生的q)
#q_next和q_eval都是一个向量，包含了对应状态下所有动作的q值
#实际上feature为状态的维度，batch_memory[:, -self.n_features:]为s_,即状态s采取动作action后的状态s_, batch_memory[:, :self.n_features]为s
#q_next, q_eval的维度为[None,n_actions]
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]})
#用t+1的状态带入eval network先选出动作
action_value = self.sess.run(self.q_eval, feed_dict={self.s: batch_memory[:, -self.n_features:]})
#维度为[batch_size, 1]
action = np.argmax(action_value, axis=1)
#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action0带来的 Q(s, a0)=-1,而其他的 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 q_target的1放在了 action0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.
q_target = q_eval.copy()
#每个样本下标
batch_index = np.arange(self.batch_size, dtype=np.int32)
#记录每个样本执行的动作
eval_act_index = batch_memory[:, self.n_features].astype(int)
#记录每个样本动作的奖励
reward = batch_memory[:, self.n_features + 1]
#生成每个样本中q值对应动作的更新，即生成的q现实，
q_target[batch_index, eval_act_index]=reward+self.gamma * q_next[batch_index, action]
#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]]， 另q_target = q_eval.copy()
#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;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,
_, 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
#每调用一次learn，降低一次epsilon，即行为随机性
self.epsilon = self.epsilon + self.epsilon_increment if self.epsilon < self.epsilon_max else self.epsilon_max
self.learn_step_counter += 1
def plot_cost(self):
import matplotlib.pyplot as plt
plt.plot(np.arange(len(self.cost_his)), self.cost_his)
plt.ylabel('Cost')
plt.xlabel('training steps')
plt.show()
三、Why Dueling DQN
DQN的网络结构如下
Q ( s , a ) Q(s,a) Q(s,a)表示了状态s下动作a的价值。因为有状态s这个条件， Q ( s , a ) Q(s,a) Q(s,a)并不能完全代表状态a的价值，因为有时候在某种state，无论做什么动作，对下一个state都没有多大的影响，而在一个好的state，无论做什么action，都能得到很高的value；在一个很差的state，无论做什么action，都只会得到一个很低的value。
因此提出了Dueling DQN结构，愿望是衡量状态s的价值 V ( s ) V(s) V(s)和动作a的价值 A ( s , a ) A(s,a) A(s,a)。再讲状态的价值 V ( s ) V(s) V(s)和动作的价值 A ( s , a ) A(s,a) A(s,a)相加得到状态s下动作a的价值 Q ( s , a ) Q(s,a) Q(s,a)。
基于上面思想，Dueling DQN结构设计如下：
V ( s ) V(s) V(s)是一个标量， A ( s , a ) A(s,a) A(s,a)是一个向量。在相加时 V ( s ) V(s) V(s)会自动复制到与 A ( s , a ) A(s,a) A(s,a)维度一致。
既然是衡量动作动作的价值，为什么不直接 A ( a ) A(a) A(a)去衡量呢？为什么用 A ( s , a ) A(s,a) A(s,a)呢？这个理解是非常直观的。动作本身是没有好坏的，只有在一定状态下，动作才有好坏。比如，下围棋时，再不考虑当前局面是，落子在哪个位置是没有意义的，只有能够适应局面的落子才是有意义的。将 Q ( s , a ) Q(s,a) Q(s,a)分离为 V ( s ) V(s) V(s)和 A ( s , a ) A(s,a) A(s,a)是为了尽可能分离出状态的价值和固定状态下，每个动作的价值。
A ( s , a ) A(s,a) A(s,a)是衡量每个动作的价值，在固定的状态s下，动作是有好有坏的。可以设定好动作的价值大于0，坏动作的价值小于0（这里的好坏是相对的，准确的说不是价值，是Advantage）。并且状态s下，所有动作的价值的和为0，即 ∑ A ( s , _ ) = 0 ∑A(s,\_)=0 ∑A(s,_)=0，在这个基础上进行对 V ( s ) V(s) V(s)和 A ( s , a ) A(s,a) A(s,a)的更新。
从结构可以看出Dueling DQN在直观理解上是非常合理的，但是根据李宏毅老师课上展示的效果来看，效果其实并不理想。
四、 Dueling DQN的Agent编写
Dueling DQN与DQN的网络结构不同，其他过程相似。着重是更改原来DQN Agent的build_net()方法。
之前构建的方式是通过一个隐藏层直接获得q值
with tf.variable_scope('l1'):
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)
#求出q估计值，长度为n_actions的向量
self.q_eval = tf.matmul(l1, w2) + b2
现在将q_eval 拆分为状态价值v和动作价值a，其中动作价值a的均值为0（q_target需要做同样的改动）：
#状态的价值
with tf.variable_scope('value'):
w21 = tf.get_variable('w21', [n_l1, 1], initializer=w_initializer, collections=c_names)
b21 = tf.get_variable('b21', [1], initializer=b_initializer, collections=c_names)
vs_out = tf.matmul(l1, w21) + b21
#动作的advantage
with tf.variable_scope('advantage'):
w22 = tf.get_variable('w22', [n_l1, self.n_actions], initializer=w_initializer, collections=c_names)
b22 = tf.get_variable('b22', [1, self.n_actions], initializer=b_initializer, collections=c_names)
aa = tf.matmul(l1, w22) + b22
#为了不让A直接学成了Q, 我们减掉了A的均值，此时A的均值始终为0
aa_out = aa - tf.reduce_mean(aa, axis=1, keep_dims=True)
#合并V和A, 求出q估计值
with tf.variable_scope('Q'):
self.q_eval = vs_out + aa_out
完整的Dueling DQN的agent代码如下：
class Dueling_DeepQNetwork(object):
#replace_target_iter为更新target network的步数，防止target network和eval network差别过大
#memory_size为buffer储存记忆上线，方便使用以前记忆学习
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=32,e_greedy_increment=None,output_graph=False):
self.n_actions = n_actions
self.n_features = n_features
self.lr = learning_rate
self.gamma = reward_decay
self.epsilon_max = e_greedy # epsilon后面奖励对前面的递减参数
self.replace_target_iter = replace_target_iter # 更换 target_net 的步数
self.memory_size = memory_size # 记忆上限
self.batch_size = batch_size # 每次更新时从 memory 里面取多少记忆出来
self.epsilon_increment = e_greedy_increment # epsilon 的增量
#epsilon = 0等于0时，后面的奖励创传不到前面，前面的状态就开启随机探索模式
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
# 记录学习次数 (用于判断是否更换 target_net 参数)
self.learn_step_counter = 0
# 初始化全 0 记忆 [s, a, r, s_]， 实际上feature为状态的维度，n_features*2分别记录s和s_，+2记录a和r
self.memory = np.zeros((self.memory_size, n_features*2+2))
self._build_net()
#替换 target net 的参数
t_params = tf.get_collection('target_net_params') #提取 target_net 的参数
e_params = tf.get_collection('eval_net_params') # 提取 eval_net 的参数
#将eval_network中每一个variable的值赋值给target network的对应变量
self.replace_target_op = [tf.assign(t, e) for t, e in zip(t_params, e_params)] #更新 target_net 参数
self.sess = tf.Session()
if output_graph:
tf.summary.FileWriter("logs/", self.sess.graph)
self.sess.run(tf.global_variables_initializer())
#用于记录# 记录所有 cost 变化
self.cost_his = []
#李宏毅老师克重的relpay buffer，通过以往的记忆中不断训练
#这是DQN变为off-policy的核心
def store_transition(self, s, a, r, s_):
#如果DeepQNetwork中定义了memory_counter，进行记忆存储
if not hasattr(self, 'memory_counter'):
self.memory_counter = 0
#记录一条 [s, a, r, s_] 记录
transition = np.hstack((s, [a, r], s_))
#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hashmap赋值思想
self.memory[index, :] = transition #进行替换
self.memory_counter += 1
#建立神经网络
#此处建立两个申请网络，一个为target network，用于得到q现实。一个为eval_network，用于得到q估计
#target network和eval_network结构一样，target network用比较老的参数，eval_network为真正训练的神经网络
def _build_net(self):
tf.reset_default_graph() #清空计算图
#创建eval神经网络,及时提升参数
self.s = tf.placeholder(tf.float32, [None, self.n_features], name='s') # 用来接收 observation，即神经网络的输入
self.q_target = tf.placeholder(tf.float32, [None, self.n_actions], name='Q_target') # q_target的值, 这个之后会通过计算得到，神经网络的输出
#eval_net域下的变量
with tf.variable_scope('eval_net'):
#c_names用于在一定步数之后更新target network
#GLOBAL_VARIABLES作用是collection默认加入所有的Variable对象，用于共享
c_names = ['eval_net_params', tf.GraphKeys.GLOBAL_VARIABLES]
n_l1 = 10 #n_l1为network隐藏层神经元的个数
w_initializer = tf.random_normal_initializer(0.,0.3)
b_initializer = tf.constant_initializer(0.1)
#eval_network第一层全连接神经网络
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)
#状态的价值
with tf.variable_scope('value'):
w21 = tf.get_variable('w21', [n_l1, 1], initializer=w_initializer, collections=c_names)
b21 = tf.get_variable('b21', [1], initializer=b_initializer, collections=c_names)
vs_out = tf.matmul(l1, w21) + b21
#动作的advantage
with tf.variable_scope('advantage'):
w22 = tf.get_variable('w22', [n_l1, self.n_actions], initializer=w_initializer, collections=c_names)
b22 = tf.get_variable('b22', [1, self.n_actions], initializer=b_initializer, collections=c_names)
aa = tf.matmul(l1, w22) + b22
#为了不让A直接学成了Q, 我们减掉了A的均值，此时A的均值始终为0
aa_out = aa - tf.reduce_mean(aa, axis=1, keep_dims=True)
#合并V和A, 求出q估计值
with tf.variable_scope('Q'):
self.q_eval = vs_out + aa_out
with tf.variable_scope('loss'): # 求误差
#使用平方误差
self.loss = tf.reduce_mean(tf.squared_difference(self.q_target, self.q_eval))
with tf.variable_scope('train'): # 梯度下降
optimizer = tf.train.RMSPropOptimizer(self.lr)
self._train_op = optimizer.minimize(self.loss)
#创建target network，输入选择一个action后的状态s_,输出q_target
self.s_ = tf.placeholder(tf.float32, [None, self.n_features], name='s_') # 接收下个 observation
with tf.variable_scope('target_net'):
c_names = ['target_net_params', tf.GraphKeys.GLOBAL_VARIABLES]
# target_net 的第一层fc， collections 是在更新 target_net 参数时会用到
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)
#状态的价值
with tf.variable_scope('value'):
w21 = tf.get_variable('w21', [n_l1, 1], initializer=w_initializer, collections=c_names)
b21 = tf.get_variable('b21', [1], initializer=b_initializer, collections=c_names)
vs_out = tf.matmul(l1, w21) + b21
#动作的advantage
with tf.variable_scope('advantage'):
w22 = tf.get_variable('w22', [n_l1, self.n_actions], initializer=w_initializer, collections=c_names)
b22 = tf.get_variable('b22', [1, self.n_actions], initializer=b_initializer, collections=c_names)
aa = tf.matmul(l1, w22) + b22
#为了不让A直接学成了Q, 我们减掉了A的均值，此时A的均值始终为0
aa_out = aa - tf.reduce_mean(aa, axis=1, keep_dims=True)
#合并V和A, 求出q估计值
with tf.variable_scope('Q'):
self.q_next = vs_out + aa_out
print(self.q_next)
def choose_action(self, observation):
#根据observation（state）选行为
#使用eval network选出state下的行为估计
#将observation的shape变为(1, size_of_observation)，行向量变为列向量才能与NN维度统一
observation = observation[np.newaxis, :]
if np.random.uniform() < self.epsilon:
action_value = self.sess.run(self.q_eval, feed_dict={self.s:observation})
action = np.argmax(action_value)
else:
action = np.random.randint(0, self.n_actions) #随机选择
return action
def learn(self):
if self.learn_step_counter % self.replace_target_iter ==0:
self.sess.run(self.replace_target_op)
print('\ntarget_params_replaced\n')
#从memory中随机抽取batch_size这么多记忆
if self.memory_counter > self.memory_size: #说明记忆库已经存满，可以从记忆库任意位置收取
sample_index = np.random.choice(self.memory_size, size=self.batch_size)
else: #记忆库还没有存满，从现有的存储记忆提取
sample_index = np.random.choice(self.memory_counter, size=self.batch_size)
batch_memory= self.memory[sample_index, :]
# 获取q_next即q现实(target_net产生的q)和q_eval(eval_net产生的q)
#q_next和q_eval都是一个向量，包含了对应状态下所有动作的q值
#实际上feature为状态的维度，batch_memory[:, -self.n_features:]为s_,即状态s采取动作action后的状态s_, batch_memory[:, :self.n_features]为s
# 获取q_next即q现实(target_net产生的q)和q_eval(eval_net产生的q)
#q_next和q_eval都是一个向量，包含了对应状态下所有动作的q值
#实际上feature为状态的维度，batch_memory[:, -self.n_features:]为s_,即状态s采取动作action后的状态s_, batch_memory[:, :self.n_features]为s
#q_next, q_eval的维度为[None,n_actions]
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action0带来的 Q(s, a0)=-1,而其他的 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 q_target的1放在了 action0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.
q_target = q_eval.copy()
#每个样本下标
batch_index = np.arange(self.batch_size, dtype=np.int32)
#记录每个样本执行的动作
eval_act_index = batch_memory[:, self.n_features].astype(int)
#记录每个样本动作的奖励
reward = batch_memory[:, self.n_features + 1]
#生成每个样本中q值对应动作的更新，即生成的q现实，
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]]， 另q_target = q_eval.copy()
#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;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,
_, 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
#每调用一次learn，降低一次epsilon，即行为随机性
self.epsilon = self.epsilon + self.epsilon_increment if self.epsilon < self.epsilon_max else self.epsilon_max
self.learn_step_counter += 1
def plot_cost(self):
import matplotlib.pyplot as plt
plt.plot(np.arange(len(self.cost_his)), self.cost_his)
plt.ylabel('Cost')
plt.xlabel('training steps')
plt.show()
可以看出其实Double DQN和Dueling DQN都是提升DQN效果的技巧。实际上可以将两种技术同时放在DQN中进行使用。