欢迎来到贵州降龙网络科技有限公司

N

互联网新闻ews

行业新闻

您的位置:首页 > 互联网新闻> 行业新闻

深度强化学习从入门到大师:通过Q学习进行强化学习(第二部分)

发布时间:2019-01-11 来源:贵州降龙网络

深度强化学习从入门到大师:通过Q学习进行强化学习(第二部分)

本文为 AI 研习社编译的技术博客,原标题 :

Diving deeper into Reinforcement Learning with Q-Learning

作者 | Thomas Simonini

翻译 | 斯蒂芬•二狗子

校对 | 斯蒂芬•二狗子       审核 | 酱番梨         整理 | 菠萝妹

原文链接:

https://medium.freecodecamp.org/diving-deeper-into-reinforcement-learning-with-q-learning-c18d0db58efe


深度强化学习从入门到大师:通过Q学习进行强化学习(第二部分)

深度强化学习从入门到大师:通过Q学习进行强化学习(第二部分)

本文是 Tensorflow 深度强化学习课程的一部分。?️点击这里查看教学大纲

今天我们将学习 Q-Learning。 Q-Learning 是一种基于数值的强化学习算法。

本文是关于深度强化学习的免费系列博客文章的第二部分。有关更多信息和更多资源,请查看  课程的教学大纲。 请参阅  此处的第一篇文章

在本文中,您将学习:

什么是 Q-Learning

如何用Numpy实现它


 大图:骑士和公主

深度强化学习从入门到大师:通过Q学习进行强化学习(第二部分)

假设你是一名骑士,你需要拯救被困在上面地图上所示城堡中的公主。

您可以一次移动一个图块。敌人不能移动,但是骑士和敌人落在同一块地砖上就会死。目标是使骑士尽可能以最快的路线前往城堡。这可以使用“积分”系统来评估。

骑士每走一步都减去1分 (使用每一步-1策略有助于我们的Agent快速到达终点)。

如果 骑士 触碰一个敌人,将失去100分,然后这一集结束。

如果 骑士 在到达城堡并获胜,将得到100分。

问题是:如何做才能创建一个的 Agent 完成这个任务?

这里的第一个策略:让 Agent 不断尝试移动到每个瓷砖上,然后为每个瓷砖着色。绿色表示“安全”,红色表示“不安全”。

深度强化学习从入门到大师:通过Q学习进行强化学习(第二部分)

相同的地图,但着色显示哪些瓷砖可以安全访问

然后,我们可以告诉 Agent 只在绿色瓷砖上移动。

但问题是这样做并没有对问题有帮助。当绿色瓷砖彼此相邻时,我们无法分辨哪个瓷砖更好。所以 Agent 在试图找到城堡过程会因此陷入死循环!


 介绍Q表

这是第二个策略:创建一个表格,我们将计算每种状态 state 下采取的每种行动 action的最大的未来预期奖励。

多亏了这个策略,我们将知道对每种状态采取的最佳行动是什么。

每个 state(瓷砖片)允许四种可能的动作。它们分别是向左,向右,向上或向下移动。

深度强化学习从入门到大师:通过Q学习进行强化学习(第二部分)

0表示不可以执行的动作(如果你在左上角你不能向左或向上!)

在计算方面,我们可以将此网格转换为表格。

这个表格被称为 Q 表(“Q”表示动作的“质量”)。列表示是四个动作(左,右,上,下)。行表示的是状态。每个单元格的值将是该给定状态和行动的最大未来预期奖励。

深度强化学习从入门到大师:通过Q学习进行强化学习(第二部分)

如果在 state 状态下给定的行动 action 是最佳策略,那么每个 Q 表评分为未来奖励的最大期望。

为什么我们说“根据策略给出?”这是因为我们不能直接给出这种策略。而是通过改进我们的 Q 表以始终选择最佳行动 action。

可以把这个 Q-table 认为是一个游戏的“备忘单”。通过找到“备忘单”行中的最高分,我们知道每个状态(Q 表中的每一行)最好的行动是什么。 

Yeah!我们解决了城堡问题!但是等等......我们如何计算 Q 表中每个元素的值? 

要给出此 Q 表的每个值,可以使用 Q-learning 算法。 


 Q学习算法:学习动作值函数

动作值函数(或“ Q 函数”)有两个输入:“状态”和“动作”。它返回该动作在该状态下的预期未来奖励。

深度强化学习从入门到大师:通过Q学习进行强化学习(第二部分)

我们可以把这个 Q 函数作为一个阅读指南,通过滚动 Q 表找到与我们的状态相关的行,以及与我们的动作相关联的列。它返回匹配的 Q 值。这个值就是“预期的未来奖励”。

深度强化学习从入门到大师:通过Q学习进行强化学习(第二部分)

在我们探索环境之前,Q 表中的值是固定的初始值(一般为0)。在我们探索环境时,通过使用Bellman方程迭代更新Q(s,a),Q 表中的值将趋近于更好(见下文!)。 


 Q学习算法过程

深度强化学习从入门到大师:通过Q学习进行强化学习(第二部分)

深度强化学习从入门到大师:通过Q学习进行强化学习(第二部分)

Q-Learning算法的伪代码

步骤1:初始化Q值

我们构建一个Q表,有 m 列 (m = 行动数)和 n 行(n =状态数)。我们将值初始化为0。

深度强化学习从入门到大师:通过Q学习进行强化学习(第二部分)


第2步:终身学习(或直到学习停止)

该过程将重复步骤3到5,直到算法运行次数为的 episode 的最大值(由用户指定)或直到我们手动停止训练。


步骤3:选择操作

根据当前的Q值 选择 当前状态下行动 Action  a。

但是......如果每个Q值都是零,那么在该采取什么行动?

这就是我们在上一篇文章中谈到的探索/使用权衡的重要性。

我们的想法是,在开始时,我们将使用epsilon贪心策略:

我们指定一个探索率“epsilon”,我们在开始时设置为1,即随机执行的step的速度。刚开始学习时,这个速率必须是最高值,因为我们对Q表的取值一无所知。这意味着我们需要通过随机选择我们的行动进行大量探索。

生成一个随机数。如果这个数字 epsilon,那么我们将进行“ 使用”(这意味着我们使用已知的方法来选择每一步的最佳动作)。否则,我们会进行探索。

我们的想法是,在Q函数训练开始时我们必须有一个较大的epsilon。然后,随着Agent变得做得越来越好,逐渐减少它。


深度强化学习从入门到大师:通过Q学习进行强化学习(第二部分)


步骤4-5:评估!

采取行动action a  并观察结果状态 s 和奖励 r。 并更新函数Q(s,a)。

我们采取我们在步骤3中选择的操作,然后执行此操作将返回一个新的状态s 和奖励r(正如我们在第一篇文章中的看到的强化学习过程那样)。

然后,使用Bellman方程更新Q(s,a):

深度强化学习从入门到大师:通过Q学习进行强化学习(第二部分)

更新Q(state,action)代码可以写成如下所示:

New Q value =
  Current Q value +
  lr * [Reward + discount_rate * (highest Q value between possible actions from the new state s’ ) — Current Q value ]

我们来举个例子:

深度强化学习从入门到大师:通过Q学习进行强化学习(第二部分)

一个奶酪= +1

两个奶酪= +2

大堆奶酪= +10(剧集结束)

如果吃到鼠毒= -10(剧集结束)


第1步:初始化Q表

深度强化学习从入门到大师:通过Q学习进行强化学习(第二部分)

初始化的Q表


步骤2:选择操作 
从起始位置,您可以选择向右还是向下。我们有一个大的epsilon率(因为我们对环境一无所知),采用随机选择的方式。例如......向右移动。

深度强化学习从入门到大师:通过Q学习进行强化学习(第二部分)

深度强化学习从入门到大师:通过Q学习进行强化学习(第二部分)

我们采用随机移动(例如,右)

发现了一块奶酪(+1),则更新的Q值并记录向右的行动。通过Bellman方程来进行计算。


步骤4-5:更新Q函数

深度强化学习从入门到大师:通过Q学习进行强化学习(第二部分)

深度强化学习从入门到大师:通过Q学习进行强化学习(第二部分)

首先,计算Q值的变化ΔQ(start, right)

然后将Q值与ΔQ(start, right)的和乘以学习率。

学习率可以看视为该学习网络更新Q值的速度。如果学习率为1,则新估计值将是新的Q值。

深度强化学习从入门到大师:通过Q学习进行强化学习(第二部分)

更新后的Q表

好!我们刚刚更新了我们的第一个Q值。现在我们需要一次又一次地这样做,直到学习停止。


 实现Q学习算法

我们制作了一个视频,我们实现了一个学习与Numpy一起玩Taxi-v2的Q学习代理。

使用numpy和OpenAI Taxi-v2?进行Q学习(教程)

现在我们知道Q-Learning是如何工作的,我们将逐步实现Q学习算法。代码的每个部分在下面的Jupyter笔记本中都能找到。

您可以在Deep Reinforcement Learning Course repo中访问它  。

或者您可以直接在Google Colaboratory上访问它:

Q-learning实现Frozen Lake

colab.research.google.com 


 回顾......

Q-learning是一种基于数值的强化学习算法,用于使用q函数找到最优的动作选择策略。

它根据动作值函数评估要采取的动作,该动作值函数确定处于某种状态的值并在该状态下采取某种动作。

目标:最大化Q函数(给定状态和行动的预期未来奖励)。

Q表帮助我们找到每个状态的最佳行动。

通过选择所有可能的最佳行动来最大化预期奖励。

Q表示来自特定状态下某个动作的质量。

函数Q(state, action) → return该状态下该动作的预期未来奖励。

可以使用Q学习来估计该函数,Q学习使用Bellman方程迭代地更新Q(s,a)

在我们探索环境之前:Q表给出了相同的任意值进行初始化→但是当我们探索环境时→Q给了我们更好的近似值。

就这样!不要忘记自己实现代码的每个部分 - 尝试修改我给你的代码非常重要。

尝试添加epoch,改变学习速度,并使用更复杂的环境(例如使用8x8瓷砖的Frozen-lake)。玩得开心!

下次我们将开展深度Q学习,这是2015年深度强化学习的最大突破之一。我们将训练一个智能体玩Doom,并杀掉敌人!


想要继续查看该篇文章相关链接和参考文献?

长按链接点击打开或点击底部【深度强化学习从入门到大师:通过Q学习进行强化学习(第二部分)】:

https://ai.yanxishe.com/page/TextTranslation/1394


AI研习社每日更新精彩内容,观看更多精彩内容:雷锋网雷锋网(公众号:雷锋网)雷锋网

【点击跳转】深度强化学习从入门到大师:简介篇(第一部分)

用PyTorch来做物体检测和追踪用 Python 做机器学习不得不收藏的重要库初学者怎样使用Keras进行迁移学习一文带你读懂 WaveNet:谷歌助手的声音合成器

等你来译:

强化学习:通往基于情感的行为系统 如何用Keras来构建LSTM模型,并且调参 高级DQNs:利用深度强化学习玩吃豆人游戏用于深度强化学习的结构化控制网络 (ICML 论文讲解)


雷锋网原创文章,未经授权禁止转载。详情见转载须知

联系地址:贵州省贵阳市南明区花果园金融街5号27层
电 话:158-8503-9350 传 真:

  • 分享到:

贵州降龙网络科技有限公司 黔ICP备14004814号-1
技术支持:WangID 驰通网络 财富热线:158-8503-9350