Deep Q-Network 学习笔记（三）—— 改进①：nature dqn

由于 Q 值与 next Q 使用同一个网络时，是在一边更新一边学习，会不稳定。

所以，这个算法其实就是将神经网络拆分成 2 个，一个 Q 网络，用于同步更新 Q 值，另一个是 target 网络，用于计算目标 Q 值，并且每隔一段时间，自动将最新的 Q 网络的权值同步给 target 网络即可。

其实也就是在上一篇的基础上做以下修改即可：

1.增加一个 target 网络。

2.在记忆回放的时候，取 max Q 的值时将原本使用的 Q 网络修改成使用 target 网络。

3.在训练一定次数后，同步权值。

以下是源码：

import tensorflow as tf
import numpy as np
from collections import deque
import random

class DeepQNetwork:
    r = np.array([[-1, -1, -1, -1, 0, -1],
                  [-1, -1, -1, 0, -1, 100.0],
                  [-1, -1, -1, 0, -1, -1],
                  [-1, 0, 0, -1, 0, -1],
                  [0, -1, -1, 1, -1, 100],
                  [-1, 0, -1, -1, 0, 100],
                  ])

    # 执行步数。
    step_index = 0

    # 状态数。
    STATE_NUM = 6

    # 动作数。
    ACTION_NUM = 6

    # 训练之前观察多少步。
    OBSERVE = 1000.

    # 选取的小批量训练样本数。
    BATCH = 20

    # epsilon 的最小值，当 epsilon 小于该值时，将不在随机选择行为。
    FINAL_EPSILON = 0.0001

    # epsilon 的初始值，epsilon 逐渐减小。
    INITIAL_EPSILON = 0.1

    # epsilon 衰减的总步数。
    EXPLORE = 3000000.

    # 探索模式计数。
    epsilon = 0

    # 训练步数统计。
    learn_step_counter = 0

    # 学习率。
    learning_rate = 0.001

    # γ经验折损率。
    gamma = 0.9

    # 记忆上限。
    memory_size = 5000

    # 当前记忆数。
    memory_counter = 0

    # 保存观察到的执行过的行动的存储器，即：曾经经历过的记忆。
    replay_memory_store = deque()

    # 生成一个状态矩阵（6 X 6），每一行代表一个状态。
    state_list = None

    # 生成一个动作矩阵。
    action_list = None

    # q_eval 网络状态输入参数。
    q_eval_input = None

    # q_eval 网络动作输入参数。
    q_action_input = None

    # q_eval 网络中 q_target 的输入参数。
    q_eval_target = None

    # q_eval 网络输出结果。
    q_eval_output = None

    # q_eval 网络输出的结果中的最优得分。
    q_predict = None

    # q_eval 网络输出的结果中当前选择的动作得分。
    reward_action = None

    # q_eval 网络损失函数。
    loss = None

    # q_eval 网络训练。
    train_op = None

    # q_target 网络状态输入参数。
    q_target_input = None

    # q_target 网络输出结果。
    q_target_output = None

    # 更换 target_net 的步数。
    replace_target_stepper = None

    # loss 值的集合。
    cost_list = None

    # 输出图表显示 Q 值走向。
    q_list = None
    running_q = 0

    # tensorflow 会话。
    session = None

    def __init__(self, learning_rate=0.001, gamma=0.9, memory_size=5000, replace_target_stepper=300):
        self.learning_rate = learning_rate
        self.gamma = gamma
        self.memory_size = memory_size
        self.replace_target_stepper = replace_target_stepper

        # 初始化成一个 6 X 6 的状态矩阵。
        self.state_list = np.identity(self.STATE_NUM)

        # 初始化成一个 6 X 6 的动作矩阵。
        self.action_list = np.identity(self.ACTION_NUM)

        # 创建神经网络。
        self.create_network()

        # 初始化 tensorflow 会话。
        self.session = tf.InteractiveSession()

        # 初始化 tensorflow 参数。
        self.session.run(tf.initialize_all_variables())

        # 记录所有 loss 变化。
        self.cost_list = []

        # 记录 q 值的变化。
        self.q_list = []

    def create_network(self):
        """
        创建神经网络。
        :return:
        """
        neuro_layer_1 = 3
        w_init = tf.random_normal_initializer(0, 0.3)
        b_init = tf.constant_initializer(0.1)

        # -------------- 创建 eval 神经网络, 及时提升参数 -------------- #
        self.q_eval_input = tf.placeholder(shape=[None, self.STATE_NUM], dtype=tf.float32, name="q_eval_input")
        self.q_action_input = tf.placeholder(shape=[None, self.ACTION_NUM], dtype=tf.float32)
        self.q_eval_target = tf.placeholder(shape=[None], dtype=tf.float32, name="q_target")

        with tf.variable_scope("eval_net"):
            q_name = [‘eval_net_params‘, tf.GraphKeys.GLOBAL_VARIABLES]

            with tf.variable_scope(‘l1‘):
                w1 = tf.get_variable(‘w1‘, [self.STATE_NUM, neuro_layer_1], initializer=w_init, collections=q_name)
                b1 = tf.get_variable(‘b1‘, [1, neuro_layer_1], initializer=b_init, collections=q_name)
                l1 = tf.nn.relu(tf.matmul(self.q_eval_input, w1) + b1)

            with tf.variable_scope(‘l2‘):
                w2 = tf.get_variable(‘w2‘, [neuro_layer_1, self.ACTION_NUM], initializer=w_init, collections=q_name)
                b2 = tf.get_variable(‘b2‘, [1, self.ACTION_NUM], initializer=b_init, collections=q_name)
                self.q_eval_output = tf.matmul(l1, w2) + b2
                self.q_predict = tf.argmax(self.q_eval_output, 1)

        with tf.variable_scope(‘loss‘):
            # 取出当前动作的得分。
            self.reward_action = tf.reduce_sum(tf.multiply(self.q_eval_output, self.q_action_input), reduction_indices=1)
            self.loss = tf.reduce_mean(tf.square((self.q_eval_target - self.reward_action)))

        with tf.variable_scope(‘train‘):
            self.train_op = tf.train.GradientDescentOptimizer(self.learning_rate).minimize(self.loss)

        # -------------- 创建 target 神经网络, 及时提升参数 -------------- #
        self.q_target_input = tf.placeholder(shape=[None, self.STATE_NUM], dtype=tf.float32, name="q_target_input")

        with tf.variable_scope("target_net"):
            t_name = [‘target_net_params‘, tf.GraphKeys.GLOBAL_VARIABLES]

            with tf.variable_scope(‘l1‘):
                w1 = tf.get_variable(‘w1‘, [self.STATE_NUM, neuro_layer_1], initializer=w_init, collections=t_name)
                b1 = tf.get_variable(‘b1‘, [1, neuro_layer_1], initializer=b_init, collections=t_name)
                l1 = tf.nn.relu(tf.matmul(self.q_target_input, w1) + b1)

            with tf.variable_scope(‘l2‘):
                w2 = tf.get_variable(‘w2‘, [neuro_layer_1, self.ACTION_NUM], initializer=w_init, collections=t_name)
                b2 = tf.get_variable(‘b2‘, [1, self.ACTION_NUM], initializer=b_init, collections=t_name)
                self.q_target_output = tf.matmul(l1, w2) + b2

    def _replace_target_params(self):
        # 使用 Tensorflow 中的 assign 功能替换 target_net 所有参数
        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
        self.session.run([tf.assign(t, e) for t, e in zip(t_params, e_params)])    # 更新 target_net 参数

    def select_action(self, state_index):
        """
        根据策略选择动作。
        :param state_index: 当前状态。
        :return:
        """
        current_state = self.state_list[state_index:state_index + 1]
        actions_value = self.session.run(self.q_eval_output, feed_dict={self.q_eval_input: current_state})
        action = np.argmax(actions_value)
        current_action_index = action

        # 输出图表。
        self.running_q = self.running_q * 0.99 + 0.01 * np.max(actions_value)
        self.q_list.append(self.running_q)

        if np.random.uniform() < self.epsilon:
            current_action_index = np.random.randint(0, self.ACTION_NUM)

        # 开始训练后，在 epsilon 小于一定的值之前，将逐步减小 epsilon。
        if self.step_index > self.OBSERVE and self.epsilon > self.FINAL_EPSILON:
            self.epsilon -= (self.INITIAL_EPSILON - self.FINAL_EPSILON) / self.EXPLORE

        return current_action_index

    def save_store(self, current_state_index, current_action_index, current_reward, next_state_index, done):
        """
        保存记忆。
        :param current_state_index: 当前状态 index。
        :param current_action_index: 动作 index。
        :param current_reward: 奖励。
        :param next_state_index: 下一个状态 index。
        :param done: 是否结束。
        :return:
        """
        current_state = self.state_list[current_state_index:current_state_index + 1]
        current_action = self.action_list[current_action_index:current_action_index + 1]
        next_state = self.state_list[next_state_index:next_state_index + 1]
        # 记忆动作(当前状态， 当前执行的动作， 当前动作的得分，下一个状态)。
        self.replay_memory_store.append((
            current_state,
            current_action,
            current_reward,
            next_state,
            done))

        # 如果超过记忆的容量，则将最久远的记忆移除。
        if len(self.replay_memory_store) > self.memory_size:
            self.replay_memory_store.popleft()

        self.memory_counter += 1

    def step(self, state, action):
        """
        执行动作。
        :param state: 当前状态。
        :param action: 执行的动作。
        :return:
        """
        reward = self.r[state][action]

        next_state = action

        done = False

        if action == 5:
            done = True

        return next_state, reward, done

    def experience_replay(self):
        """
        记忆回放。
        :return:
        """
        # 检查是否替换 target_net 参数
        if self.learn_step_counter % self.replace_target_stepper == 0:
            self._replace_target_params()

        # 随机选择一小批记忆样本。
        batch = self.BATCH if self.memory_counter > self.BATCH else self.memory_counter
        minibatch = random.sample(self.replay_memory_store, batch)

        batch_state = None
        batch_action = None
        batch_reward = None
        batch_next_state = None
        batch_done = None

        for index in range(len(minibatch)):
            if batch_state is None:
                batch_state = minibatch[index][0]
            elif batch_state is not None:
                batch_state = np.vstack((batch_state, minibatch[index][0]))

            if batch_action is None:
                batch_action = minibatch[index][1]
            elif batch_action is not None:
                batch_action = np.vstack((batch_action, minibatch[index][1]))

            if batch_reward is None:
                batch_reward = minibatch[index][2]
            elif batch_reward is not None:
                batch_reward = np.vstack((batch_reward, minibatch[index][2]))

            if batch_next_state is None:
                batch_next_state = minibatch[index][3]
            elif batch_next_state is not None:
                batch_next_state = np.vstack((batch_next_state, minibatch[index][3]))

            if batch_done is None:
                batch_done = minibatch[index][4]
            elif batch_done is not None:
                batch_done = np.vstack((batch_done, minibatch[index][4]))

        # -------------- 改进部分  -------------- #
        # 获得 q_next 使用另一个神经网络 target。
        # q_next：下一个状态的 Q 值。
        q_next = self.session.run([self.q_target_output], feed_dict={self.q_target_input: batch_next_state})
        # -------------- 改进部分  -------------- #

        q_target = []
        for i in range(len(minibatch)):
            # 当前即时得分。
            current_reward = batch_reward[i][0]

            # # 游戏是否结束。
            # current_done = batch_done[i][0]

            # 更新 Q 值。
            q_value = current_reward + self.gamma * np.max(q_next[0][i])

            # 当得分小于 -1 时，表示走了不可走的位置。
            if current_reward <= -1:
                q_target.append(current_reward)
            else:
                q_target.append(q_value)

        _, cost, reward = self.session.run([self.train_op, self.loss, self.reward_action],
                                           feed_dict={self.q_eval_input: batch_state,
                                                      self.q_action_input: batch_action,
                                                      self.q_eval_target: q_target})

        self.cost_list.append(cost)

        # if self.step_index % 1000 == 0:
        #     print("loss:", cost)

        self.learn_step_counter += 1

    def train(self):
        """
        训练。
        :return:
        """
        # 初始化当前状态。
        current_state = np.random.randint(0, self.ACTION_NUM - 1)
        self.epsilon = self.INITIAL_EPSILON

        while True:
            # 选择动作。
            action = self.select_action(current_state)

            # 执行动作，得到：下一个状态，执行动作的得分，是否结束。
            next_state, reward, done = self.step(current_state, action)

            # 保存记忆。
            self.save_store(current_state, action, reward, next_state, done)

            # 先观察一段时间累积足够的记忆在进行训练。
            if self.step_index > self.OBSERVE:
                self.experience_replay()

            if self.step_index - self.OBSERVE > 15000:
                break

            if done:
                current_state = np.random.randint(0, self.ACTION_NUM - 1)
            else:
                current_state = next_state

            self.step_index += 1

    def pay(self):
        """
        运行并测试。
        :return:
        """
        self.train()

        # 显示 R 矩阵。
        print(self.r)

        for index in range(5):

            start_room = index

            print("#############################", "Agent 在", start_room, "开始行动", "#############################")

            current_state = start_room

            step = 0

            target_state = 5

            while current_state != target_state:
                out_result = self.session.run(self.q_eval_output, feed_dict={
                    self.q_eval_input: self.state_list[current_state:current_state + 1]})

                next_state = np.argmax(out_result[0])

                print("Agent 由", current_state, "号房间移动到了", next_state, "号房间")

                current_state = next_state

                step += 1

            print("Agent 在", start_room, "号房间开始移动了", step, "步到达了目标房间 5")

            print("#############################", "Agent 在", 5, "结束行动", "#############################")

    def show_plt(self):
        import matplotlib.pyplot as plt
        plt.plot(np.array(self.q_list), c=‘r‘, label=‘natural‘)
        # plt.plot(np.array(q_double), c=‘b‘, label=‘double‘)
        plt.legend(loc=‘best‘)
        plt.ylabel(‘Q eval‘)
        plt.xlabel(‘training steps‘)
        plt.grid()
        plt.show()

if __name__ == "__main__":
    q_network = DeepQNetwork()
    q_network.pay()
    q_network.show_plt()