本文内容源自百度强化学习 7 日入门课程学习整理
感谢百度 PARL 团队李科浇老师的课程讲解

强化学习算法 DQN 解决 CartPole 问题，移动小车使得车上的摆杆保持直立。

• 这个游戏环境可以说是强化学习中的 “Hello World”

• 大部分的算法都可以先利用这个环境来测试下是否可以收敛

环境介绍：

小车在一个导轨上，无摩擦地来回移动，车上有一根杆子，可以绕着小车上的一个点旋转，所以我们要做的是，通过推动小车往左或者往右，来确保杆子不倒

终止条件：

• 杆子角度大于 +/-12度
• 车子位移大于 +/-2.4（车子移出了界面外）
• Episode 超出 200 steps

奖励：

• 每执行一个 step 拿到 1分
• 所以最高是 200 分

环境重置 env.reset()

• 返回状态值：[小车的位置，小车的速度，杆子的角度，杆子顶端的速度]

每走一步 env.step(0)

• 返回：[当前状态，奖励，是否结束]

一、安装依赖

pip install gym
pip install paddlepaddle==1.6.3
pip install parl==1.3.1

二、导入依赖

import parl
from parl import layers
# parl 封装了 paddle.fluid.layers 的 API，官网可查询使用方式
import paddle.fluid as fluid
import copy
import numpy as np
import os
import gym
from parl.utils import logger

三、设置超参数

LEARN_FREQ = 5 # 训练频率，不需要每一个step都learn，攒一些新增经验后再learn，提高效率
MEMORY_SIZE = 20000    # replay memory的大小，越大越占用内存
MEMORY_WARMUP_SIZE = 200  # replay_memory 里需要预存一些经验数据，再开启训练
BATCH_SIZE = 32   # 每次给agent learn的数据数量，从replay memory随机里sample一批数据出来
LEARNING_RATE = 0.001 # 学习率
GAMMA = 0.99 # reward 的衰减因子，一般取 0.9 到 0.999 不等

四、Model

Model用来定义前向(Forward)网络，用户可以自由的定制自己的网络结构。

class Model(parl.Model):# 这里的 model 利用 parl.Model 作为基类，后面会用到一些基类下的方法def __init__(self, act_dim):hid1_size = 128hid2_size = 128# 3层全连接网络self.fc1 = layers.fc(size=hid1_size, act='relu')self.fc2 = layers.fc(size=hid2_size, act='relu')self.fc3 = layers.fc(size=act_dim, act=None)def value(self, obs):# 定义网络# 输入state，输出所有action对应的Q，[Q(s,a1), Q(s,a2), Q(s,a3)...]h1 = self.fc1(obs)h2 = self.fc2(h1)Q = self.fc3(h2)return Q # 输出的 Q 是一个向量，维度是动作的维度

五、Algorithm

Algorithm 定义了具体的算法来更新前向网络(Model)，也就是通过定义损失函数来更新Model，和算法相关的计算都放在algorithm中。

这里的核心是 learn() 函数，其中分为 3 部分：

• 获取 Q 目标值
  • 注意点：在 target_Q 的计算中，有个判断条件，是否游戏结束，计算公式不同
    • terminal：即是否为 done，是的话为 true（1），否的话为 false（0）
    • 所以用 $(1.0-terminal)$ 作为系数就可以达到 “判断” 语句的效果（之前要先用 layers.cast 将 terminal 转化为浮点数）
      
  • 注意点：best_v.stop_gradient = True 阻止梯度传递
    • 我们在通过 神经网络获得 target_Q 的时候，并不希望去更新 target_model 神经网络参数，所以要阻止梯度传递
• 获取 Q 预测值
  • 注意点：从 Q 值列表中取得对应 动作的 Q 值
    • 首先把 action 转为 one-hot 向量
    • 然后用两个向量元素相乘的方法 layers.elementwise_mul 只保留对应的值，其他变为 0
    • 然后用元素累加的方法 layers.reduce_sum 就得到了最终的值 （这里是 “第 2 维” 的累加，所以 dim=1）
• 计算 loss

这里 learn() 函数的输入 obs, action, reward, next_obs, terminal

由于每次传入一个 batch ，所以每一个参数都是一个数组

# from parl.algorithms import DQN # 也可以直接从parl库中导入DQN算法class DQN(parl.Algorithm):def __init__(self, model, act_dim=None, gamma=None, lr=None):""" DQN algorithmArgs:model (parl.Model): 定义Q函数的前向网络结构act_dim (int): action空间的维度，即有几个actiongamma (float): reward的衰减因子lr (float): learning rate 学习率."""self.model = model # 传入之前定义好的 model 结构self.target_model = copy.deepcopy(model) # 把模型硬拷贝一份，作为 target_model（固定）assert isinstance(act_dim, int) # 断言，确认动作维度，是 intassert isinstance(gamma, float) # 断言，确认衰减因子，是 floatassert isinstance(lr, float) # 断言，确定学习速率，是 floatself.act_dim = act_dim  #传入self.gamma = gamma #传入self.lr = lr #传入def predict(self, obs):""" 使用self.model的value网络来获取 [Q(s,a1),Q(s,a2),...]"""return self.model.value(obs) # 把 obs 传入前向网络，得到当前状态下，所有可执行动作的 Q 值（预测值）def learn(self, obs, action, reward, next_obs, terminal):""" 使用DQN算法更新self.model的value网络"""# 1. 从target_model中获取 max Q' 的值，用于计算target_Q（目标值）next_pred_value = self.target_model.value(next_obs) # 获得下一步状态下，所以可执行动作的 Q 值best_v = layers.reduce_max(next_pred_value, dim=1)# 求最大 Q 值best_v.stop_gradient = True  # 阻止梯度传递terminal = layers.cast(terminal, dtype='float32')# 把 terminal 转化为 float32 类型target = reward + (1.0 - terminal) * self.gamma * best_v# # 2. 获取 Q （预测值）pred_value = self.model.value(obs) # 正向传播，即获得了该状态下，所有动作对应的 Q 值         # 将action转onehot向量，比如：3 => [0,0,0,1,0]action_onehot = layers.one_hot(action, self.act_dim)# 输入的动作值，比如 4，根据 depth 即动作维度，转化为对应的 one-hotaction_onehot = layers.cast(action_onehot, dtype='float32')# 设定 one-hot 中的值为 float32 类型# 下面一行是逐元素相乘，拿到action对应的 Q(s,a)# 比如：pred_value = [[2.3, 5.7, 1.2, 3.9, 1.4]], action_onehot = [[0,0,0,1,0]]#  ==> pred_action_value = [[3.9]]pred_action_value = layers.reduce_sum(layers.elementwise_mul(action_onehot, pred_value), dim=1)# 当前状态下，执行该 action 得到的 Q 值（预测值）# 3. 计算 Q(s,a) 与 target_Q的均方差，得到losscost = layers.square_error_cost(pred_action_value, target)# 损失函数为旧的 Q 和 目标 Q 之间的差别（均方差）cost = layers.reduce_mean(cost)# 均值optimizer = fluid.optimizer.Adam(learning_rate=self.lr)  # 使用Adam优化器optimizer.minimize(cost) # 目标是最小化损失函数return costdef sync_target(self):""" 把 self.model 的模型参数值同步到 self.target_model"""self.model.sync_weights_to(self.target_model)# 这是 parl.Model 这个基类下的方法，用于定时为target_model做参数同步

六、Agent

Agent 负责算法与环境的交互，在交互过程中把生成的数据提供给Algorithm来更新模型(Model)，数据的预处理流程也一般定义在这里。

• 这里 learn() 函数的输入也是从经验池中拿到的一个 batch 的数据，然后进行对应的变量赋值

  • 变量的定义是在 build_program() 中（计算图）完成，包括变量的 类型 dtype，结构 shape，名字 name

  • 然后每执行一次 learn() 就是把数据通过 feed 传入 program，然后获取 fetch_list 中的 self.cost

  • 每一次执行 run 就是完成了一次网络的更新

• 这里还有一个计算图 pred_program 用于获取最大的 Q 值（预测值）下的 action

  • 首先通过 predict() 函数，调用 alg 中的 predict() 计算最大的 Q 值
  • 然后获取对应的 action，仅需使用 np.argmax 函数
  • 然后通过 sample() 函数决定是利用还是探索，选择具体执行的动作

class Agent(parl.Agent):# 继承了 parl.Agent 这个基类# 其实基类下只有一个 save 和 restore 方法# 其他的方法：build_program，learn，predict，sample 都是空的def __init__(self,algorithm, # 算法obs_dim, # 状态的维度act_dim, # 动作的维度e_greed=0.1, # 10% 的随机探索概率e_greed_decrement=0): # 概率递减为 0assert isinstance(obs_dim, int) # 断言，状态维度，为 intassert isinstance(act_dim, int) # 断言，动作维度，为 intself.obs_dim = obs_dim # 初始化赋值self.act_dim = act_dim # 初始化赋值super(Agent, self).__init__(algorithm)# self.global_step = 0 # self.update_target_steps = 200  # 每隔200个training steps再把model的参数复制到target_model中self.e_greed = e_greed  # 有一定概率随机选取动作，探索self.e_greed_decrement = e_greed_decrement  # 随着训练逐步收敛，探索的程度慢慢降低def build_program(self):self.pred_program = fluid.Program() # 初始化一个 paddle.fluid 框架下的程序self.learn_program = fluid.Program() # 初始化一个 paddle.fluid 框架下的程序with fluid.program_guard(self.pred_program):  # 搭建计算图用于 预测动作，定义输入输出变量# 把下面的语句添加到 self.pred_program 程序中obs = layers.data(name='obs', shape=[self.obs_dim], dtype='float32')# 将 obs 设定为数据变量self.value = self.alg.predict(obs)# with fluid.program_guard(self.learn_program):  # 搭建计算图用于 更新Q网络，定义输入输出变量# 把下面的语句添加到 self.learn_program 程序中obs = layers.data(name='obs', shape=[self.obs_dim], dtype='float32')# 将 obs 设定为数据变量action = layers.data(name='act', shape=[1], dtype='int32')# 将 action 设定为数据变量reward = layers.data(name='reward', shape=[], dtype='float32')# 将 reward 设定为数据变量next_obs = layers.data(name='next_obs', shape=[self.obs_dim], dtype='float32')# 将 next_obs 设定为数据变量terminal = layers.data(name='terminal', shape=[], dtype='bool')# 将 terminal 设定为数据变量self.cost = self.alg.learn(obs, action, reward, next_obs, terminal)# def sample(self, obs): # 采样动作sample = np.random.rand()  # 产生0~1之间的小数if sample < self.e_greed: # 小于 0.1，即 10% 的概率act = np.random.randint(self.act_dim)  # 探索：每个动作都有概率被选择else:act = self.predict(obs)  # 选择最优动作self.e_greed = max(0.01, self.e_greed - self.e_greed_decrement)  # 随着训练逐步收敛，探索的程度慢慢降低return actdef predict(self, obs):  # 选择最优动作obs = np.expand_dims(obs, axis=0) # 将数字转化为一维向量pred_Q = self.fluid_executor.run(self.pred_program,feed={'obs': obs.astype('float32')},fetch_list=[self.value])[0]# 执行定义好的程序，获取 obs 状态下的，所有动作的 Q 值pred_Q = np.squeeze(pred_Q, axis=0)# 压缩一个维度act = np.argmax(pred_Q)  # 选择Q最大的下标，即对应的动作return actdef learn(self, obs, act, reward, next_obs, terminal):# 每隔200个training steps同步一次model和target_model的参数if self.global_step % self.update_target_steps == 0:self.alg.sync_target()#self.global_step += 1# 步数+1act = np.expand_dims(act, -1) # 将数字转化为一维向量feed = {'obs': obs.astype('float32'),'act': act.astype('int32'),'reward': reward,'next_obs': next_obs.astype('float32'),'terminal': terminal}# 定义所有传入的数据cost = self.fluid_executor.run(self.learn_program, feed=feed, fetch_list=[self.cost])[0]  # 训练一次网络return cost

七、ReplayMemory

经验池：用于存储多条经验，实现 经验回放。

import random
import collections
import numpy as npclass ReplayMemory(object):def __init__(self, max_size):self.buffer = collections.deque(maxlen=max_size)# 初始化一个双向列表，长度为 max_size# 增加一条经验到经验池中def append(self, exp):self.buffer.append(exp)# 在列表尾部增加一条经验# 从经验池中选取N条经验出来def sample(self, batch_size):mini_batch = random.sample(self.buffer, batch_size)# 从缓存列表中，随机去除 batch_size 条经验obs_batch, action_batch, reward_batch, next_obs_batch, done_batch = [], [], [], [], []# 初始化列表for experience in mini_batch:s, a, r, s_p, done = experience # 从 mini_batch 中去取得对应元素# 加入各自的列表中obs_batch.append(s)action_batch.append(a)reward_batch.append(r)next_obs_batch.append(s_p)done_batch.append(done)# 转化为 numpy 的数组进行返回return np.array(obs_batch).astype('float32'), \np.array(action_batch).astype('float32'), np.array(reward_batch).astype('float32'),\np.array(next_obs_batch).astype('float32'), np.array(done_batch).astype('float32')def __len__(self):return len(self.buffer) # 设定一个参数 len 是缓存的长度

八、Training && Test（训练&&测试）

训练的时候，需要先填满经验池才开始

• 采用 sample 方式，有探索概率

评估的时候，这里设定为 5 个 episode 求平均分

• 这是因为强化学习有一定不确定性
• 环境也有随机选
• 所以哪怕是一个训练好的 agent，单次的 episode 的分数也可能特别差/特别好
• 所以多跑几组求平均这样的评估比较客观

# 训练一个episode
def run_episode(env, agent, rpm):total_reward = 0 # 累计奖励初始化obs = env.reset() # 初始化一个环境，返回值是初始状态 obsstep = 0 # 初始化步数while True:step += 1action = agent.sample(obs)  # 采样动作，所有动作都有概率被尝试到next_obs, reward, done, _ = env.step(action)rpm.append((obs, action, reward, next_obs, done))# train modelif (len(rpm) > MEMORY_WARMUP_SIZE) and (step % LEARN_FREQ == 0):(batch_obs, batch_action, batch_reward, batch_next_obs,batch_done) = rpm.sample(BATCH_SIZE)train_loss = agent.learn(batch_obs, batch_action, batch_reward,batch_next_obs,batch_done)  # s,a,r,s',donetotal_reward += rewardobs = next_obsif done:breakreturn total_reward# 评估 agent, 跑 5 个episode，总reward求平均
def evaluate(env, agent, render=False):eval_reward = []for i in range(5):obs = env.reset()episode_reward = 0while True:action = agent.predict(obs)  # 预测动作，只选最优动作obs, reward, done, _ = env.step(action)episode_reward += rewardif render:env.render()if done:breakeval_reward.append(episode_reward)return np.mean(eval_reward)

九、创建环境和Agent，创建经验池，启动训练，保存模型

env = gym.make('CartPole-v0')  # CartPole-v0: 预期最后一次评估总分 > 180（最大值是200）
action_dim = env.action_space.n  # CartPole-v0: 2
obs_shape = env.observation_space.shape  # CartPole-v0: (4,)rpm = ReplayMemory(MEMORY_SIZE)  # DQN的经验回放池实例化# 根据parl框架构建agent
model = Model(act_dim=action_dim) # 模型实例化
algorithm = DQN(model, act_dim=action_dim, gamma=GAMMA, lr=LEARNING_RATE) # 算法实例化（传入模型）
# agent 实例化（传入算法）
agent = Agent(algorithm,obs_dim=obs_shape[0],act_dim=action_dim,e_greed=0.1,  # 有一定概率随机选取动作，探索e_greed_decrement=1e-6)  # 随着训练逐步收敛，探索的程度慢慢降低# 加载模型
# save_path = './dqn_model.ckpt'
# agent.restore(save_path)# 先往经验池里存一些数据，避免最开始训练的时候样本丰富度不够
while len(rpm) < MEMORY_WARMUP_SIZE: # 当经验池不满的时候（这里小于 200 条）run_episode(env, agent, rpm) # 持续添加到经验池（没有开始进行训练）max_episode = 2000# 开始训练
episode = 0
while episode < max_episode:  # 训练max_episode个回合，test部分不计算入episode数量# train partfor i in range(0, 50):total_reward = run_episode(env, agent, rpm)episode += 1# test parteval_reward = evaluate(env, agent, render=False)  # render=True 查看显示效果logger.info('episode:{}    e_greed:{}   test_reward:{}'.format(episode, agent.e_greed, eval_reward))# 训练结束，保存模型
save_path = './dqn_model.ckpt'
agent.save(save_path)

十、总结