深度有趣 | 21 從FlappyBird到DQN
簡介
介紹強化學習（Reinforcement Learning，RL）的概念，並用DQN訓練一個會玩FlappyBird的模型python
FlappyBird
這個遊戲不少人都玩過，很虐，如下是一個用pygame重現的FlappyBird，https://github.com/sourabhv/FlapPyBirdgit
若是沒有pygame則安裝github
pip install pygame
運行flappy.py便可開始遊戲，若是出現按鍵沒法控制的狀況，用pythonw運行代碼便可算法
pythonw flappy.py
原理
無監督學習沒有標籤，例如聚類；有監督學習有標籤，例如分類；而強化學習介於二者之間，標籤是經過不斷嘗試積累的網絡
RL包括幾個組成部分：app
- State（S）：環境的狀態，例如FlappyBird中的當前遊戲界面，能夠用一張圖片來表示
- Action（A）：每一個S下可採起的行動集合，例如在FlappyBird中可選擇兩個A，「跳一下」或者「什麼都不作」
- Reward（R）：在某個S下執行某個A以後獲得的回報，例如在FlappyBird中，能夠是成功跳過一根水管（正回報），撞到水管或者掉到地上（負回報）
這樣一來，遊戲的進行過程，無非是從一個初始S開始，執行A、獲得R、進入下一個S，如此往復，直到進入一個終止Sdom
$$ s_0,a_0,r_1,s_1,a_1,r_2,s_2,...,s_{n-1},a_{n-1},r_n,s_n $$ide
定義一個函數，用來計算遊戲過程當中回報的總和函數
$$ R=r_1+r_2+r_3+...+r_n $$學習
以及從某個時刻開始以後的回報總和
$$ R_t=r_t+r_{t+1}+r_{t+2}+...+r_n $$
但咱們對將來每一步能獲取的回報並非徹底確定的，因此不妨乘上一個0到1之間的衰減係數
$$ R_t=r_t+\gamma r_{t+1}+\gamma^2 r_{t+2}+...+\gamma^{n-t} r_n $$
這樣一來，能夠獲得相鄰兩步總回報之間的遞推關係
$$ R_t=r_t+\gamma R_{t+1} $$
DQN是強化學習中的一種經常使用算法，主要是引入了Q函數（Quality，價值函數），用於計算在某個S下執行某個A能夠獲得的最大總回報
$$ Q(s_t,a_t)=\max R_{t+1} $$
有了Q函數以後，對於當前狀態S，只須要計算每個A對應的Q值，而後選擇Q值最大的一個A，即是最優的行動策略（策略函數）
$$ \pi(s)=argmax_a Q(s,a) $$
當Q函數收斂後，還能夠獲得Q函數的遞推公式
$$ Q(s_t,a_t)=r_t+\gamma \max Q(s_{t+1},a_{t+1}) $$
可使用神經網絡實現Q函數並訓練：
- 定義神經網絡的結構並隨機初始化，輸入爲S，輸出的個數和行動集合的大小同樣
- 每次以必定機率隨機選擇A，不然使用策略函數選擇最優的A，即隨機探索和有向策略相結合
- 維護一個記憶模塊，用於積累遊戲過程當中產生的數據
- 預熱期：不訓練，主要是爲了讓記憶模塊先積累必定數據
- 探索期：逐漸下降隨機機率，從隨機探索過渡到有向策略，而且每次從記憶模塊中取出一些數據訓練模型
- 訓練期：固定隨機機率，進一步訓練模型，使得Q函數進一步收斂
關於強化學習和DQN的原理介紹，能夠參考如下文章，https://ai.intel.com/demystifying-deep-reinforcement-learning/
實現
基於如下項目進行修改，https://github.com/yenchenlin/DeepLearningFlappyBird
game中的代碼對以前的flappy.py進行了簡化和修改，去掉了背景圖並固定角色和水管顏色，遊戲會自動開始，掛掉以後也會自動繼續，主要是便於模型自動進行和採集數據
加載庫
# -*- coding: utf-8 -*-
import tensorflow as tf
import numpy as np
import random
import cv2
import sys
sys.path.append('game/')
import wrapped_flappy_bird as fb
from collections import deque
定義一些參數
ACTIONS = 2 GAMMA = 0.99 OBSERVE = 10000 EXPLORE = 3000000 INITIAL_EPSILON = 0.1 FINAL_EPSILON = 0.0001 REPLAY_MEMORY = 50000 BATCH = 32 IMAGE_SIZE = 80
定義一些網絡輸入和輔助函數，每個S由連續的四幀遊戲截圖組成
S = tf.placeholder(dtype=tf.float32, shape=[None, IMAGE_SIZE, IMAGE_SIZE, 4], name='S')
A = tf.placeholder(dtype=tf.float32, shape=[None, ACTIONS], name='A')
Y = tf.placeholder(dtype=tf.float32, shape=[None], name='Y')
k_initializer = tf.truncated_normal_initializer(0, 0.01)
b_initializer = tf.constant_initializer(0.01)
def conv2d(inputs, kernel_size, filters, strides):
return tf.layers.conv2d(inputs, kernel_size=kernel_size, filters=filters, strides=strides, padding='same', kernel_initializer=k_initializer, bias_initializer=b_initializer)
def max_pool(inputs):
return tf.layers.max_pooling2d(inputs, pool_size=2, strides=2, padding='same')
def relu(inputs):
return tf.nn.relu(inputs)
定義網絡結構，典型的卷積、池化、全鏈接層結構
h0 = max_pool(relu(conv2d(S, 8, 32, 4))) h0 = relu(conv2d(h0, 4, 64, 2)) h0 = relu(conv2d(h0, 3, 64, 1)) h0 = tf.contrib.layers.flatten(h0) h0 = tf.layers.dense(h0, units=512, activation=tf.nn.relu, bias_initializer=b_initializer) Q = tf.layers.dense(h0, units=ACTIONS, bias_initializer=b_initializer, name='Q') Q_ = tf.reduce_sum(tf.multiply(Q, A), axis=1) loss = tf.losses.mean_squared_error(Y, Q_) optimizer = tf.train.AdamOptimizer(1e-6).minimize(loss)
用一個隊列實現記憶模塊，開始遊戲，對於初始狀態選擇什麼都不作
game_state = fb.GameState() D = deque() do_nothing = np.zeros(ACTIONS) do_nothing[0] = 1 img, reward, terminal = game_state.frame_step(do_nothing) img = cv2.cvtColor(cv2.resize(img, (IMAGE_SIZE, IMAGE_SIZE)), cv2.COLOR_BGR2GRAY) _, img = cv2.threshold(img, 1, 255, cv2.THRESH_BINARY) S0 = np.stack((img, img, img, img), axis=2)
繼續進行遊戲並訓練模型
sess = tf.Session()
sess.run(tf.global_variables_initializer())
t = 0
success = 0
saver = tf.train.Saver()
epsilon = INITIAL_EPSILON
while True:
if epsilon > FINAL_EPSILON and t > OBSERVE:
epsilon = INITIAL_EPSILON - (INITIAL_EPSILON - FINAL_EPSILON) / EXPLORE * (t - OBSERVE)
Qv = sess.run(Q, feed_dict={S: [S0]})[0]
Av = np.zeros(ACTIONS)
if np.random.random() <= epsilon:
action_index = np.random.randint(ACTIONS)
else:
action_index = np.argmax(Qv)
Av[action_index] = 1
img, reward, terminal = game_state.frame_step(Av)
if reward == 1:
success += 1
img = cv2.cvtColor(cv2.resize(img, (IMAGE_SIZE, IMAGE_SIZE)), cv2.COLOR_BGR2GRAY)
_, img = cv2.threshold(img, 1, 255, cv2.THRESH_BINARY)
img = np.reshape(img, (IMAGE_SIZE, IMAGE_SIZE, 1))
S1 = np.append(S0[:, :, 1:], img, axis=2)
D.append((S0, Av, reward, S1, terminal))
if len(D) > REPLAY_MEMORY:
D.popleft()
if t > OBSERVE:
minibatch = random.sample(D, BATCH)
S_batch = [d[0] for d in minibatch]
A_batch = [d[1] for d in minibatch]
R_batch = [d[2] for d in minibatch]
S_batch_next = [d[3] for d in minibatch]
T_batch = [d[4] for d in minibatch]
Y_batch = []
Q_batch_next = sess.run(Q, feed_dict={S: S_batch_next})
for i in range(BATCH):
if T_batch[i]:
Y_batch.append(R_batch[i])
else:
Y_batch.append(R_batch[i] + GAMMA * np.max(Q_batch_next[i]))
sess.run(optimizer, feed_dict={S: S_batch, A: A_batch, Y: Y_batch})
S0 = S1
t += 1
if t > OBSERVE and t % 10000 == 0:
saver.save(sess, './flappy_bird_dqn', global_step=t)
if t <= OBSERVE:
state = 'observe'
elif t <= OBSERVE + EXPLORE:
state = 'explore'
else:
state = 'train'
print('Current Step %d Success %d State %s Epsilon %.6f Action %d Reward %f Q_MAX %f' % (t, success, state, epsilon, action_index, reward, np.max(Qv)))
運行dqn_flappy.py便可從零開始訓練模型，一開始角色各類亂跳，一根水管都跳不過去，但隨着訓練的進行，角色會經過學習得到愈來愈穩定的表現
也能夠直接使用如下代碼運行訓練好的模型
# -*- coding: utf-8 -*-
import tensorflow as tf
import numpy as np
import cv2
import sys
sys.path.append('game/')
import wrapped_flappy_bird as fb
ACTIONS = 2
IMAGE_SIZE = 80
sess = tf.Session()
sess.run(tf.global_variables_initializer())
saver = tf.train.import_meta_graph('./flappy_bird_dqn-8500000.meta')
saver.restore(sess, tf.train.latest_checkpoint('./'))
graph = tf.get_default_graph()
S = graph.get_tensor_by_name('S:0')
Q = graph.get_tensor_by_name('Q/BiasAdd:0')
game_state = fb.GameState()
do_nothing = np.zeros(ACTIONS)
do_nothing[0] = 1
img, reward, terminal = game_state.frame_step(do_nothing)
img = cv2.cvtColor(cv2.resize(img, (IMAGE_SIZE, IMAGE_SIZE)), cv2.COLOR_BGR2GRAY)
_, img = cv2.threshold(img, 1, 255, cv2.THRESH_BINARY)
S0 = np.stack((img, img, img, img), axis=2)
while True:
Qv = sess.run(Q, feed_dict={S: [S0]})[0]
Av = np.zeros(ACTIONS)
Av[np.argmax(Qv)] = 1
img, reward, terminal = game_state.frame_step(Av)
img = cv2.cvtColor(cv2.resize(img, (IMAGE_SIZE, IMAGE_SIZE)), cv2.COLOR_BGR2GRAY)
_, img = cv2.threshold(img, 1, 255, cv2.THRESH_BINARY)
img = np.reshape(img, (IMAGE_SIZE, IMAGE_SIZE, 1))
S0 = np.append(S0[:, :, 1:], img, axis=2)
參考
- A Flappy Bird Clone using python-pygame：https://github.com/sourabhv/FlapPyBird
- Flappy Bird hack using Deep Reinforcement Learning：https://github.com/yenchenlin/DeepLearningFlappyBird
- Demystifying Deep Reinforcement Learning：https://ai.intel.com/demystifying-deep-reinforcement-learning/
視頻講解課程
相關文章
- 1. 深度有趣 | 21 從FlappyBird到DQN
- 2. 深度強化學習——從DQN到DDPG
- 3. 深度有趣 | 01 前言
- 4. 深度強化學習（文獻篇）—— 從 DQN、DDPG、NAF 到 A3C
- 5. 深度強化學習（DRL）三：從Q-learning到Deep Q Network(DQN)
- 6. 深度增強學習（DRL）漫談 - 從DQN到AlphaGo
- 7. 深度強化學習——DQN
- 8. 深度強化學習DQN
- 9. DQN 從入門到放棄1 DQN與增強學習
- 10. 深度有趣 | 19 pix2pix圖像翻譯
- 更多相關文章...
- • TCP滑動窗口機制深度剖析 - TCP/IP教程
- • PHP 獲取圖像寬度與高度 - PHP參考手冊
- • 算法總結-深度優先算法
- • 算法總結-廣度優先算法
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
