项目地址：https://gitee.com/paddlepaddle/PARL/tree/develop/examples/tutorials/lesson3/dqn
Lesson2中所述Sarsa、Q-learning均建立在Q表格的基础上，实际问题中状态数目往往不可数，因此需要值函数的近似。
值函数具有以下优点：
下图为拟合一个四元一次方程的，基于paddle的神经网络代码
#加载库
import paddle.fluid as fluid
import numpy as np
#生成数据
np.random.seed(0)
outputs = np.random.randint(5, size=(10, 4))
res = []
for i in range(10):
# 假设方程式为 y=4a+6b+7c+2d
y = 4*outputs[i][0]+6*outputs[i][1]+7*outputs[i][2]+2*outputs[i][3]
res.append([y])
# 定义数据
train_data=np.array(outputs).astype(‘float32‘)
y_true = np.array(res).astype(‘float32‘)
#定义网络
x = fluid.layers.data(name="x",shape=[4],dtype=‘float32‘)
y = fluid.layers.data(name="y",shape=[1],dtype=‘float32‘)
y_predict = fluid.layers.fc(input=x,size=1,act=None)
#定义损失函数
cost = fluid.layers.square_error_cost(input=y_predict,label=y)
avg_cost = fluid.layers.mean(cost)
#定义优化方法
sgd_optimizer = fluid.optimizer.SGD(learning_rate=0.05)
sgd_optimizer.minimize(avg_cost)
#参数初始化
cpu = fluid.CPUPlace()
exe = fluid.Executor(cpu)
exe.run(fluid.default_startup_program())
##开始训练，迭代500次
for i in range(500):
outs = exe.run(
feed={‘x‘:train_data,‘y‘:y_true},
fetch_list=[y_predict.name,avg_cost.name])
if i%50==0:
print (‘iter={:.0f},cost={}‘.format(i,outs[1][0]))
#存储训练结果
params_dirname = "result"
fluid.io.save_inference_model(params_dirname, [‘x‘], [y_predict], exe)
# 开始预测
infer_exe = fluid.Executor(cpu)
inference_scope = fluid.Scope()
# 加载训练好的模型
with fluid.scope_guard(inference_scope):
[inference_program, feed_target_names,
fetch_targets] = fluid.io.load_inference_model(params_dirname, infer_exe)
# 生成测试数据
test = np.array([[[9],[5],[2],[10]]]).astype(‘float32‘)
# 进行预测
results = infer_exe.run(inference_program,
feed={"x": test},
fetch_list=fetch_targets)
# 给出题目为 【9,5,2,10】 输出y=4*9+6*5+7*2+10*2的值
print ("9a+5b+2c+10d={}".format(results[0][0]))
如上图所示，在Q-learning的基础上，将Q表格替换为神经网络所逼近的值函数，即为DQN算法。
由于DQN算法引入神经网络的同时也会引入非线性激活函数（例如，Relu），这样在理论上无法证明算法可以收敛。为了解决该问题，DQN提出两个创新点：1.经验回放；2.固定Q目标。
经验回放
存在的问题：由于强化学习中样本是时间上连续的一个决策序列，而神经网络输入的样本间应该相互独立。若按照时间顺序将样本进行训练则存在上述问题；同时，一条经验仅能使用一次，也存在样本利用率低的问题。
解决方法：经验回放
经验回放充分利用了off-policy的优势，通过设置一个经验池来存储behavior policy获得的若干条经验。将经验池内经验打乱，分成若干个小的经验块交给target policy训练，这样不但降低了降本间的关联性；同时还可以重复利用经验，提高了经验的利用率。
代码实现：
replay_memory.py
import random
import collections
import numpy as np
class ReplayMemory(object):
def __init__(self, max_size):
self.buffer = collections.deque(maxlen=max_size)
def append(self, exp):
self.buffer.append(exp)
def sample(self, batch_size):
mini_batch = random.sample(self.buffer, batch_size)
obs_batch, action_batch, reward_batch, next_obs_batch, done_batch = [], [], [], [], []
for experience in mini_batch:
s, a, r, s_p, done = experience
obs_batch.append(s)
action_batch.append(a)
reward_batch.append(r)
next_obs_batch.append(s_p)
done_batch.append(done)
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)
固定Q目标
存在的问题：由于监督学习中，标签值确定，因此，算法是平稳的。但在DQN中，需要逼近的target Q也是不断变化的，会给影响算法效果。
解决方法：固定Q目标。
在一段时间内固定产生target Q的模型，这段时间内只逼近固定的target Q。从而改善算法的平稳性。
? DQN算法流程图如上图所示：智能体（agent）与环境交互获得经验，并将经验存入经验池内。用Q模型代替Q表格，同时定期复制Q模型参数来更新target Q模型。通过计算Q预测与Q目标的误差来更新Q模型。其中更新Q模型的红色部分，为DQN算法的核心。
? 按照上述算法框架，PARL将强化学习抽象为：模型(model)、算法(algorithm)、智能体(agent)三部分。如下图所示，Model来定义网络结构，Algorithm来定义具体的算法来更新网络结构，Agent负责算法与环境的交互，交互的过程中将经验提供给算法去更新模型。
代码实现
model.py定义了一个Model的功能类，首先定义网络结构，之后调用value(obs)方法，输入状态，输出q值。
#-*- coding: utf-8 -*-
import parl
from parl import layers # 封装了 paddle.fluid.layers 的API
class Model(parl.Model):
def __init__(self, act_dim):
hid1_size = 128
hid2_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):
h1 = self.fc1(obs)
h2 = self.fc2(h1)
Q = self.fc3(h2)
return Q
#-*- coding: utf-8 -*-
import copy
import paddle.fluid as fluid
import parl
from parl import layers
class DQN(parl.Algorithm):
def __init__(self, model, act_dim=None, gamma=None, lr=None):
""" DQN algorithm
Args:
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action
gamma (float): reward的衰减因子
lr (float): learning_rate，学习率.
"""
self.model = model
self.target_model = copy.deepcopy(model)
assert isinstance(act_dim, int)
assert isinstance(gamma, float)
assert isinstance(lr, float)
self.act_dim = act_dim
self.gamma = gamma
self.lr = lr
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)
def learn(self, obs, action, reward, next_obs, terminal):
""" 使用DQN算法更新self.model的value网络
"""
# 从target_model中获取 max Q‘ 的值，用于计算target_Q
next_pred_value = self.target_model.value(next_obs)
best_v = layers.reduce_max(next_pred_value, dim=1)
best_v.stop_gradient = True # 阻止梯度传递
terminal = layers.cast(terminal, dtype=‘float32‘)
target = reward + (1.0 - terminal) * self.gamma * best_v
pred_value = self.predict(obs) # 获取Q预测值
# 将action转onehot向量，比如：3 => [0,0,0,1,0]
action_onehot = layers.one_hot(action, self.act_dim)
action_onehot = layers.cast(action_onehot, dtype=‘float32‘)
# 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)
# 计算 Q(s,a) 与 target_Q的均方差，得到loss
cost = layers.square_error_cost(pred_action_value, target)
cost = layers.reduce_mean(cost)
optimizer = fluid.optimizer.Adam(learning_rate=self.lr) # 使用Adam优化器
optimizer.minimize(cost)
return cost
def 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)
import numpy as np
import paddle.fluid as fluid
import parl
from parl import layers
class Agent(parl.Agent):
def __init__(self,
algorithm,
obs_dim,
act_dim,
e_greed=0.1,
e_greed_decrement=0):
assert isinstance(obs_dim, int)
assert isinstance(act_dim, int)
self.obs_dim = obs_dim
self.act_dim = act_dim
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):
‘‘‘Note:
| Users **must** implement this function in an ``Agent``.
| This function will be called automatically in the initialization function.‘‘‘
# 定义agent计算图
# pred_program 为预测的计算图
self.pred_program = fluid.Program()
# learn_program 为更新Q值函数的计算图
self.learn_program = fluid.Program()
# 定义pred_program计算图的过程：定义输入与输出
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
# ----------------------定义输入----------------------------------
obs = layers.data(
name=‘obs‘, shape=[self.obs_dim], dtype=‘float32‘)
# ----------------------定义输出----------------------------------
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
# ----------------------定义输入----------------------------------
obs = layers.data(
name=‘obs‘, shape=[self.obs_dim], dtype=‘float32‘)
action = layers.data(name=‘act‘, shape=[1], dtype=‘int32‘)
reward = layers.data(name=‘reward‘, shape=[], dtype=‘float32‘)
next_obs = layers.data(
name=‘next_obs‘, shape=[self.obs_dim], dtype=‘float32‘)
terminal = layers.data(name=‘terminal‘, shape=[], dtype=‘bool‘)
# ----------------------定义输出----------------------------------
self.cost = self.alg.learn(obs, action, reward, next_obs, terminal)
def sample(self, obs):
sample = np.random.rand() # 产生0~1之间的小数
if sample < self.e_greed:
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 act
def predict(self, obs): # 选择最优动作
obs = np.expand_dims(obs, axis=0)
pred_Q = self.fluid_executor.run(
self.pred_program,
feed={‘obs‘: obs.astype(‘float32‘)},
fetch_list=[self.value])[0]
pred_Q = np.squeeze(pred_Q, axis=0)
act = np.argmax(pred_Q) # 选择Q最大的下标，即对应的动作
return act
def 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
act = np.expand_dims(act, -1)
feed = {
‘obs‘: obs.astype(‘float32‘),
‘act‘: act.astype(‘int32‘),
‘reward‘: reward,
‘next_obs‘: next_obs.astype(‘float32‘),
‘terminal‘: terminal
}
cost = self.fluid_executor.run(
self.learn_program, feed=feed, fetch_list=[self.cost])[0] # 训练一次网络
return cost
原文：https://www.cnblogs.com/Biiigwang/p/13210969.html