首页 > TensorFlow
阅读:916
David Silver策略梯度算法及实际应用(实现Pong游戏)
到目前为止,策略梯度是最常用的 RL 算法之一。研究表明,经过适当的调整,它们的性能要优于 DQN,同时内存和计算消耗又不会过高。与 Q learning 不同,策略梯度使用参数化策略,可以在无须价值函数的情况下选择动作。
在策略梯度中有一个性能指标 η(θp),目标是最大化性能,同时根据梯度上升算法更新神经网络的权重。然而,TensorFlow 没有 maximum 优化器,因此,需要使用指标梯度负值 -▽η(θp) 的最小化来替代。
代码中只运行了 500 次游戏,并在指定检查点保存智能体状态,这样在下一次运行时加载上一个检查点就可以了。为此,声明一个保存器(saver),然后调用 TensorFlow 的 saver.save 方法保存当前网络状态(检查点),最后从上次保存的检查点加载网络,下一节中定义的 PolicyNetwork 类用下面的方法完成这个工作:
使用以下代码每 50 次运行保存一次模型:
在策略梯度中有一个性能指标 η(θp),目标是最大化性能,同时根据梯度上升算法更新神经网络的权重。然而,TensorFlow 没有 maximum 优化器,因此,需要使用指标梯度负值 -▽η(θp) 的最小化来替代。
准备工作
Pong 是一个双人游戏,游戏的玩法是将球弹给对方,智能体可以上下移动球拍,也可以不操作。OpenAI 环境中的一个玩家是熟悉游戏规则的 AI 玩家,这里的目标是使用策略梯度来训练第二个智能体,使其成为每个玩过的游戏的专家。代码中只运行了 500 次游戏,并在指定检查点保存智能体状态,这样在下一次运行时加载上一个检查点就可以了。为此,声明一个保存器(saver),然后调用 TensorFlow 的 saver.save 方法保存当前网络状态(检查点),最后从上次保存的检查点加载网络,下一节中定义的 PolicyNetwork 类用下面的方法完成这个工作:
使用以下代码每 50 次运行保存一次模型:
具体做法
-
导入模块:
-
定义 PolicyNetwork 类。在类构建过程中初始化模型超参数,定义输入状态 self.tf_x、预测动作 self.tf.y、相应奖励 self.tf_epr 的占位符,还定义了网络权重和预测动作价值、训练和更新的操作。同时初始化了一个交互式的 TensorFlow 会话:
-
定义计算折扣奖励的方法,这确保智能体不仅考虑到当前的奖励,也考虑到未来的奖励。折扣奖励用下面式子计算:
-
定义 tf_policy_forward 方法计算在给定输入观测状态下向上移动球拍的概率,这里使用两层神经网络来实现。网络以预处理过的游戏状态图像为输入,生成移动球拍的概率。在 TensorFlow 中,由于网络计算图仅在 TensorFlow 会话中运算,因此这里定义另一个方法 predict_UP 来计算概率:
-
PolicyNetwork 智能体使用 update 方法更新权重:
-
定义一个辅助函数来预处理观测状态空间:
-
创建一个游戏环境定义保存(状态、动作、奖励、状态)的数组,并让智能体多次学习游戏(中断或连续只取决于你的计算资源)。这里要注意的是,智能体并不是每步都学习,相反,智能体使用每一次游戏的(状态、动作、奖励、状态)集合来修正策略。这非常消耗内存:
-
下图显示了智能体学习前 500 次游戏的平均奖励:
解读分析
权重使用 Xavier 方式进行初始化,权重既不能太大也不能太小,不会阻碍网络的学习。在这种方式下权重赋值服从均值为 0 和方差为 2/(nin+nout) 的分布,其中 nin 和 nout 分别是输入和输出的数量。要了解有关 Xavier 初始化的更多信息,请参阅 Glorot 和 Bengio 在 2009 年的论文。
所有教程
- socket
- Python基础教程
- C#教程
- MySQL函数
- MySQL
- C语言入门
- C语言专题
- C语言编译器
- C语言编程实例
- GCC编译器
- 数据结构
- C语言项目案例
- C++教程
- OpenCV
- Qt教程
- Unity 3D教程
- UE4
- STL
- Redis
- Android教程
- JavaScript
- PHP
- Mybatis
- Spring Cloud
- Maven
- vi命令
- Spring Boot
- Spring MVC
- Hibernate
- Linux
- Linux命令
- Shell脚本
- Java教程
- 设计模式
- Spring
- Servlet
- Struts2
- Java Swing
- JSP教程
- CSS教程
- TensorFlow
- 区块链
- Go语言教程
- Docker
- 编程笔记
- 资源下载
- 关于我们
- 汇编语言
- 大数据
- 云计算
- VIP视频