深度強化學習DQN(Deep Q Network)原理及例子：如何解決迷宮問題，附源碼
代碼能夠參見https://blog.csdn.net/bbbeoy/...，本文我作了一些改動git
目前，強化學習中很火的當屬Q-Learning了，關於Q-Learning的具體介紹請參加我上一篇文章。從上一篇文章中，咱們能夠看到，Q table能夠看作Q-Learning的大腦，Q table對應了一張state-action的表，但在實際應用中，state和action每每不少，內存很難裝下Q table，所以須要用神經網絡替代Q table。github
訓練樣本
首先要解決的問題是如何獲取訓練樣本。在 DQN 中有 Experience Replay 的概念，就是經驗回放。即先讓agent去探索環境，將經驗（記憶）累積到必定程度，再隨機抽取出一批樣本進行訓練。爲何要隨機抽取？由於agent去探索環境時採集到的樣本是一個時間序列，樣本之間具備連續性，若是每次獲得樣本就更新Q值，受樣本分佈影響，會對收斂形成影響。數據庫
這裏咱們聯想到數據庫領域，咱們須要使用benchmark去回放獲得不一樣的action對應的Q值。加強學習是試錯學習(Trail-and-error)，因爲沒有直接的指導信息，agent要以不斷與環境進行交互，經過試錯的方式來得到最佳策略。所以一開始能夠看作是盲目的、隨機的試驗，可是根據反饋的reward來優化損失函數可使得咱們想要的Q table慢慢收斂。segmentfault
損失函數
上面提到了損失函數，那麼如何選取呢。在DQN中，Q值表中表示的是當前已學習到的經驗。而根據公式計算出的 Q 值是agent經過與環境交互及自身的經驗總結獲得的一個分數（即：目標 Q 值）。最後使用目標 Q 值(target_q)去更新原來舊的 Q 值(q)。而目標 Q 值與舊的 Q 值的對應關係，正好是監督學習神經網絡中結果值與輸出值的對應關係。網絡
因此，loss = (target_q - q)^2session
即：整個訓練過程其實就是 Q 值(q)向目標 Q 值(target_q)逼近的過程。app
代碼實現
看代碼是最直觀的，我先給出整個代碼流程，而後再詳細解釋。下面是所有代碼：dom
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],
])
# 執行步數。
step_index = 0
# 狀態數。
state_num = 6
# 動做數。
action_num = 6
# 訓練以前觀察多少步。
OBSERVE = 1000.
# 選取的小批量訓練樣本數。
BATCH = 20
# epsilon 的最小值，當 epsilon 小於該值時，將不在隨機選擇行爲。
FINAL_EPSILON = 0.0001
# epsilon 的初始值，epsilon 逐漸減少。
INITIAL_EPSILON = 0.1
# epsilon 衰減的總步數。
EXPLORE = 3000000.
# 探索模式計數。
epsilon = 0
# 訓練步數統計。
learn_step_counter = 0
# 學習率。
learning_rate = 0.001
# γ經驗折損率。
gamma = 0.9
# 記憶上限。
memory_size = 5000
# 當前記憶數。
memory_counter = 0
# 保存觀察到的執行過的行動的存儲器，即：曾經經歷過的記憶。
replay_memory_store = deque()
# 生成一個狀態矩陣（6 X 6），每一行表明一個狀態。
state_list = None
# 生成一個動做矩陣。
action_list = None
# q_eval 網絡。
q_eval_input = None
action_input = None
q_target = None
q_eval = None
predict = None
loss = None
train_op = None
cost_his = None
reward_action = None
# tensorflow 會話。
session = None
def __init__(self, learning_rate=0.001, gamma=0.9, memory_size=5000):
self.learning_rate = learning_rate
self.gamma = gamma
self.memory_size = memory_size
# 初始化成一個 6 X 6 的狀態矩陣。
self.state_list = np.identity(self.state_num)
# 初始化成一個 6 X 6 的動做矩陣。
self.action_list = np.identity(self.action_num)
# 建立神經網絡。
self.create_network()
# 初始化 tensorflow 會話。
self.session = tf.InteractiveSession()
# 初始化 tensorflow 參數。
self.session.run(tf.initialize_all_variables())
# 記錄全部 loss 變化。
self.cost_his = []
def create_network(self):
"""
建立神經網絡。
:return:
"""
self.q_eval_input = tf.placeholder(shape=[None, self.state_num], dtype=tf.float32)
self.action_input = tf.placeholder(shape=[None, self.action_num], dtype=tf.float32)
self.q_target = tf.placeholder(shape=[None], dtype=tf.float32)
neuro_layer_1 = 3
w1 = tf.Variable(tf.random_normal([self.state_num, neuro_layer_1]))
b1 = tf.Variable(tf.zeros([1, neuro_layer_1]) + 0.1)
l1 = tf.nn.relu(tf.matmul(self.q_eval_input, w1) + b1)
w2 = tf.Variable(tf.random_normal([neuro_layer_1, self.action_num]))
b2 = tf.Variable(tf.zeros([1, self.action_num]) + 0.1)
self.q_eval = tf.matmul(l1, w2) + b2
# 取出當前動做的得分。
self.reward_action = tf.reduce_sum(tf.multiply(self.q_eval, self.action_input), reduction_indices=1)
self.loss = tf.reduce_mean(tf.square((self.q_target - self.reward_action)))
self.train_op = tf.train.GradientDescentOptimizer(self.learning_rate).minimize(self.loss)
self.predict = tf.argmax(self.q_eval, 1)
def select_action(self, state_index):
"""
根據策略選擇動做。
:param state_index: 當前狀態。
:return:
"""
current_state = self.state_list[state_index:state_index + 1]
if np.random.uniform() < self.epsilon:
current_action_index = np.random.randint(0, self.action_num)
else:
actions_value = self.session.run(self.q_eval, feed_dict={self.q_eval_input: current_state})
action = np.argmax(actions_value)
current_action_index = action
# 開始訓練後，在 epsilon 小於必定的值以前，將逐步減少 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):
"""
保存記憶。
:param current_state_index: 當前狀態 index。
:param current_action_index: 動做 index。
:param current_reward: 獎勵。
:param next_state_index: 下一個狀態 index。
:param done: 是否結束。
: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]
# 記憶動做(當前狀態， 當前執行的動做， 當前動做的得分，下一個狀態)。
self.replay_memory_store.append((
current_state,
current_action,
current_reward,
next_state,
done))
# 若是超過記憶的容量，則將最久遠的記憶移除。
if len(self.replay_memory_store) > self.memory_size:
self.replay_memory_store.popleft()
self.memory_counter += 1
def step(self, state, action):
"""
執行動做。
:param state: 當前狀態。
:param action: 執行的動做。
: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):
"""
記憶回放。
:return:
"""
# 隨機選擇一小批記憶樣本。
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]))
# q_next：下一個狀態的 Q 值。
q_next = self.session.run([self.q_eval], feed_dict={self.q_eval_input: batch_next_state})
q_target = []
for i in range(len(minibatch)):
# 當前即時得分。
current_reward = batch_reward[i][0]
# # 遊戲是否結束。
# current_done = batch_done[i][0]
# 更新 Q 值。
q_value = current_reward + self.gamma * np.max(q_next[0][i])
# 當得分小於 0 時，表示走了不可走的位置。
if current_reward < 0:
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.action_input: batch_action,
self.q_target: q_target})
self.cost_his.append(cost)
# if self.step_index % 1000 == 0:
# print("loss:", cost)
self.learn_step_counter += 1
def train(self):
"""
訓練。
:return:
"""
# 初始化當前狀態。
current_state = np.random.randint(0, self.action_num - 1)
self.epsilon = self.INITIAL_EPSILON
while True:
# 選擇動做。
action = self.select_action(current_state)
# 執行動做，獲得：下一個狀態，執行動做的得分，是否結束。
next_state, reward, done = self.step(current_state, action)
# 保存記憶。
self.save_store(current_state, action, reward, next_state, done)
# 先觀察一段時間累積足夠的記憶在進行訓練。
if self.step_index > self.OBSERVE:
self.experience_replay()
if self.step_index > 10000:
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):
"""
運行並測試。
:return:
"""
self.train()
# 顯示 R 矩陣。
print(self.r)
for index in range(5):
start_room = index
print("#############################", "Agent 在", start_room, "開始行動", "#############################")
current_state = start_room
step = 0
target_state = 5
while current_state != target_state:
out_result = self.session.run(self.q_eval, 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, "號房間移動到了", next_state, "號房間")
current_state = next_state
step += 1
print("Agent 在", start_room, "號房間開始移動了", step, "步到達了目標房間 5")
print("#############################", "Agent 在", 5, "結束行動", "#############################")
if __name__ == "__main__":
q_network = DeepQNetwork()
q_network.pay()
代碼流程及模塊詳解
1.建立DQN類
所有功能到在這個類裏。最後的main裏會調用DQN類的pay()來實現所有功能。ide
import tensorflow as tf import numpy as np from collections import deque import random class DeepQNetwork: ****
2.建立神經網絡
而後，建立一個神經網絡，並使用該神經網絡來替換掉 Q 值表（上一篇中的 Q 矩陣）。神經網絡的輸入是 Agent 當前的狀態，輸出是 Agent 當前狀態能夠執行的動做的 Q 值表。因爲總共有 6 個狀態和 6 種動做，因此，這裏將建立一個簡單 3 層的神經網絡，輸入層的參數是 6 個和輸出層輸出 6 個值，運行並調試好參數，確認能正常運行。函數
單獨的測試代碼以下。完整程序中大致和下面的測試代碼相似，須要注意的是下面的測試代碼train的是optimizer，能夠看作是讓loss function的loss最小化。
import tensorflow as tf
import numpy as np
input_num = 6
output_num = 6
x_data = np.linspace(-1, 1, 300).reshape((-1, input_num)) # 轉爲列向量
noise = np.random.normal(0, 0.05, x_data.shape)
y_data = np.square(x_data) + 0.5 + noise
xs = tf.placeholder(tf.float32, [None, input_num]) # 樣本數未知，特徵數爲 6，佔位符最後要以字典形式在運行中填入
ys = tf.placeholder(tf.float32, [None, output_num])
neuro_layer_1 = 3
w1 = tf.Variable(tf.random_normal([input_num, neuro_layer_1]))
b1 = tf.Variable(tf.zeros([1, neuro_layer_1]) + 0.1)
l1 = tf.nn.relu(tf.matmul(xs, w1) + b1)
neuro_layer_2 = output_num
w2 = tf.Variable(tf.random_normal([neuro_layer_1, neuro_layer_2]))
b2 = tf.Variable(tf.zeros([1, neuro_layer_2]) + 0.1)
l2 = tf.matmul(l1, w2) + b2
# reduction_indices=[0] 表示將列數據累加到一塊兒。
# reduction_indices=[1] 表示將行數據累加到一塊兒。
loss = tf.reduce_mean(tf.reduce_sum(tf.square((ys - l2)), reduction_indices=[1]))
# 選擇梯度降低法
train = tf.train.GradientDescentOptimizer(0.001).minimize(loss)
# train = tf.train.AdamOptimizer(1e-1).minimize(loss)
init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)
for i in range(100000):
sess.run(train, feed_dict={xs: x_data, ys: y_data})
if i % 1000 == 0:
print(sess.run(loss, feed_dict={xs: x_data, ys: y_data}))
執行後 loss 一直持續減小，確認該神經網絡正常運行就好了：
確認正常後，開始實現 DeepQNetwork 類中的 def create_network(self) 函數：
def create_network(self):
"""
建立神經網絡。
:return:
"""
self.q_eval_input = tf.placeholder(shape=[None, self.state_num], dtype=tf.float32)
self.action_input = tf.placeholder(shape=[None, self.action_num], dtype=tf.float32)
self.q_target = tf.placeholder(shape=[None], dtype=tf.float32)
neuro_layer_1 = 3
w1 = tf.Variable(tf.random_normal([self.state_num, neuro_layer_1]))
b1 = tf.Variable(tf.zeros([1, neuro_layer_1]) + 0.1)
l1 = tf.nn.relu(tf.matmul(self.q_eval_input, w1) + b1)
w2 = tf.Variable(tf.random_normal([neuro_layer_1, self.action_num]))
b2 = tf.Variable(tf.zeros([1, self.action_num]) + 0.1)
self.q_eval = tf.matmul(l1, w2) + b2
# 取出當前動做的得分。
self.reward_action = tf.reduce_sum(tf.multiply(self.q_eval, self.action_input), reduction_indices=1)
self.loss = tf.reduce_mean(tf.square((self.q_target - self.reward_action)))
self.train_op = tf.train.GradientDescentOptimizer(self.learning_rate).minimize(self.loss)
self.predict = tf.argmax(self.q_eval, 1)
這裏說明一下 loss 的計算，因爲狀態是根據圖 3.1 的矩陣的方式顯示的，好比，當前狀態若是是在 1 號房間，則輸入參數（q_eval_input）的值是：[[0, 1, 0, 0, 0, 0]]。因爲 Agent 執行了動做 3，也就是移動到了 3 號房間，因此 Agent 的動做參數（action_input）的值是：[[0, 0, 0, 1, 0, 0]]。由於神經網絡的輸出結果（q_eval）是 Agent 當前狀態下可執行的動做的價值，因爲每一個狀態都有 6 個動做，而狀態數也是 6 個，因此神經網絡的輸出結果（q_eval）與輸入參數是同樣的，因此輸出的格式也同樣，假設輸出結果（q_eval）是：[[0.81, 0.5, 0.24, 0.513, 0.9, 0.71]]
代碼中的
tf.multiply(self.q_eval, self.action_input)
就是矩陣的點積，也就是每一個元素分別相乘。這裏表示的就是得到 Agent 執行了 action_input 的價值（Q 值）。也就是 q = q_eval * action_input = [[0, 0, 0, 0.513, 0, 0]]。因此：
self.loss = tf.reduce_mean(tf.square((self.q_target - self.reward_action)))
就至關於：loss = ((1.03 - 0.513)^2) / 1 = 0.267289
3.搜索動做
這裏是 DQN 須要注意的地方之一，這裏的方法將直接影響到 DQN 是否能夠收斂，或者是不是陷入局部最小值等狀況。如今在這裏選擇了最直接的方法，使用隨機的方式來選擇行動。使用選擇的方式來選擇行動，可讓 Agent 能獲得更多的探索機會，這樣在訓練時纔能有效的跳出陷入局部最小值的狀況，當訓練時，能夠減小探索機會。
流程以下：
1.初始化 epsilon 變量，並設置它的最小值（FINAL_EPSILON）與最大值（INITIAL_EPSILON），並將 epsilon 的初始值設置成 INITIAL_EPSILON。 2.隨機生成一個數 n。 3.判斷 n 是否小於 epsilon，若是 n 小於 epsilon 則轉到 4，不然轉到 5。 4.使用隨機策略（增長探索機會）。 隨機選擇一個在 Agent 當前狀態下能夠執行的動做。 5.使用神經網絡直接計算出結果（實際應用時也是應用這方法）。 神經網絡會輸出在當前狀態下全部動做的 Q 值，選擇其中最有價值（Q 值最大）的動做返回。 6.判斷是否開始訓練，若是是，則逐步減小 epsilon 來減小探索機會，不然跳過。
開始實現 DeepQNetwork 類中的 def select_action(self, state_index) 函數：
def select_action(self, state_index):
"""
根據策略選擇動做。
:param state_index: 當前狀態。
:return:
"""
current_state = self.state_list[state_index:state_index + 1]
if np.random.uniform() < self.epsilon:
current_action_index = np.random.randint(0, self.action_num)
else:
actions_value = self.session.run(self.q_eval, feed_dict={self.q_eval_input: current_state})
action = np.argmax(actions_value)
current_action_index = action
# 開始訓練後，在 epsilon 小於必定的值以前，將逐步減少 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
4.執行動做
這裏就是取得遊戲是否結束狀態，動做獎勵和下一個狀態並返回就能夠了。
開始實現 DeepQNetwork 類中的 def step(self, state, action) 函數：
def step(self, state, action):
"""
執行動做。
:param state: 當前狀態。
:param action: 執行的動做。
:return:
"""
reward = self.r[state][action]
next_state = action
done = False
if action == 5:
done = True
return next_state, reward, done
5.保存記憶
這裏使用了一個先進先出的隊列，設置好隊列的 size，直接將「當前狀態」、「執行動做」、「獎勵分數」、「下一個狀態」和「遊戲是否結束」保存進去就好了。
開始實現 DeepQNetwork 類中的 def save_store(self, current_state_index, current_action_index, current_reward, next_state_index, done) 函數：
def save_store(self, current_state_index, current_action_index, current_reward, next_state_index, done):
"""
保存記憶。
:param current_state_index: 當前狀態 index。
:param current_action_index: 動做 index。
:param current_reward: 獎勵。
:param next_state_index: 下一個狀態 index。
:param done: 是否結束。
: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]
# 記憶動做(當前狀態， 當前執行的動做， 當前動做的得分，下一個狀態)。
self.replay_memory_store.append((
current_state,
current_action,
current_reward,
next_state,
done))
# 若是超過記憶的容量，則將最久遠的記憶移除。
if len(self.replay_memory_store) > self.memory_size:
self.replay_memory_store.popleft()
self.memory_counter += 1
6.記憶回放
這是 DQN 的重點之一，在記憶池裏隨機抽取出一小批的數據當作訓練樣本，並計算出目標 Q 值來訓練神經網絡。
流程以下：
1. 初始化時先設置抽取的樣本數。
2. 從記憶池裏隨機抽取出一批樣本。
3. 因爲每條樣本中，都保存有當時的數據（當前狀態，動做，獎勵分數，下一個狀態，是否結束），因此，爲了計算出這些樣本數據的目標 Q 值，就必須先取出樣本中「下一個狀態（next_state）」（注意：這裏取到的是全部這批樣本的「下一個狀態」的列表！）。
4. 將 next_state （這是批數據！！）當作參數傳入神經網絡，獲得 Agent 在 next_state 狀態時全部可執行的動做的 Q 值表（q_next），q_next 表示這批樣本中全部的 next_state 狀態的 Q 值表的集合。
5. 如今，已經拿到了
Agent 當時的狀態（state），
當時的動做（action），
當時的狀態（state）下執行動做（action）獲得的獎勵R(state, action)，
當時的狀態（state）下執行動做（action）後的狀態（next_state）下全部可執行的動做的 Q 值表（q_next）。
如今就可使用上面提到的公式來計算出目標 Q 值Q(state, action)。
Q(state, action) = R(state, action) + Gamma * Max{q_next}
6. 根據遊戲狀態判斷，當前選擇的動做是不是違規（不可執行）的動做，若是是，則不作經驗計算，直接扣除分數，不然使用上面的公式來計算出Q(state, action)。
7. 將計算獲得的全部樣本的 Q(state, action) 保存到集合中（q_target）。
8. 將這批樣本的當前狀態的集合，動做的集合與 q_target 傳入神經網絡並進行訓練。
特別注意第 6 條的內容，若是這裏處理很差，同樣會得不到結果的，具體緣由能夠看上一篇 。
開始實現 DeepQNetwork 類中的 def experience_replay(self)函數：
def experience_replay(self):
"""
記憶回放。
:return:
"""
# 隨機選擇一小批記憶樣本。
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]))
# q_next：下一個狀態的 Q 值。
q_next = self.session.run([self.q_eval], feed_dict={self.q_eval_input: batch_next_state})
q_target = []
for i in range(len(minibatch)):
# 當前即時得分。
current_reward = batch_reward[i][0]
# # 遊戲是否結束。
# current_done = batch_done[i][0]
# 更新 Q 值。
q_value = current_reward + self.gamma * np.max(q_next[0][i])
# 當得分小於 0 時，表示走了不可走的位置。
if current_reward < 0:
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.action_input: batch_action,
self.q_target: q_target})
self.cost_his.append(cost)
# if self.step_index % 1000 == 0:
# print("loss:", cost)
self.learn_step_counter += 1
7.訓練
訓練就是把上面的過程串在一塊兒。實現 DeepQNetwork 類中的 def train(self)函數：
def train(self):
"""
訓練。
:return:
"""
# 初始化當前狀態。
current_state = np.random.randint(0, self.action_num - 1)
self.epsilon = self.INITIAL_EPSILON
while True:
# 選擇動做。
action = self.select_action(current_state)
# 執行動做，獲得：下一個狀態，執行動做的得分，是否結束。
next_state, reward, done = self.step(current_state, action)
# 保存記憶。
self.save_store(current_state, action, reward, next_state, done)
# 先觀察一段時間累積足夠的記憶在進行訓練。
if self.step_index > self.OBSERVE:
self.experience_replay()
if self.step_index > 10000:
break
if done:
current_state = np.random.randint(0, self.action_num - 1)
else:
current_state = next_state
self.step_index += 1
8.執行並測試訓練結果
實現 DeepQNetwork 類中的 def pay(self)函數：
def pay(self):
"""
運行並測試。
:return:
"""
self.train()
# 顯示 R 矩陣。
print(self.r)
for index in range(5):
start_room = index
print("#############################", "Agent 在", start_room, "開始行動", "#############################")
current_state = start_room
step = 0
target_state = 5
while current_state != target_state:
out_result = self.session.run(self.q_eval, 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, "號房間移動到了", next_state, "號房間")
current_state = next_state
step += 1
print("Agent 在", start_room, "號房間開始移動了", step, "步到達了目標房間 5")
print("#############################", "Agent 在", 5, "結束行動", "#############################")
參考文獻：
https://segmentfault.com/a/11...
https://zhuanlan.zhihu.com/p/...
https://morvanzhou.github.io/...
相關文章
- 1. 漫談深度強化學習之手寫Deep Q-Network解決迷宮問題
- 2. 強化學習極簡例子--迷宮問題
- 3. 強化學習 Q學習原理及例子（離散）附matlab程序
- 4. 強化學習 Q-learning及python例子
- 5. 加強學習之Q-learning走迷宮
- 6. 強化學習之深度Q函數
- 7. 深度強化學習（DRL）三：從Q-learning到Deep Q Network(DQN)
- 8. 深度強化學習：Deep Q-Learning
- 9. 深度強化學習——強化學習到深度強化學習
- 10. 深度強化學習1——強化學習到深度強化學習
- 更多相關文章...
- • XSD 如何使用? - XML Schema 教程
- • Redis樂觀鎖解決高併發搶紅包的問題 - 紅包項目實戰
- • PHP Ajax 跨域問題最佳解決方案
- • Scala 中文亂碼解決
相關標籤/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
歡迎關注本站公眾號,獲取更多信息
