【强化学习】深度Q网络(DQN)求解倒立摆问题 + Pytorch代码实战
一、倒立摆问题介绍
Agent 必须在两个动作之间做出决定 - 向左或向右移动推车 - 以使连接到它的杆保持直立。
二、深度Q网络简介
上图所示为一般的深度 Q \mathrm{Q} Q 网络算法。
深度 Q \mathrm{Q} Q 网络算法是这样的，我们初始化两个网络 ：估计网络 Q Q Q 和 目标网络 Q ^ ， Q ^ \hat{Q} ， \hat{Q} Q^，Q^ 就等于 Q Q Q ，一开始 目标网络 Q ^ \hat{Q} Q^ 与原来的 Q Q Q 网络是一样的。
在每一个回合中，我们用演员与环境交互，在每一次交互的过程中，都会得到一个 状态 s t s_t st ，会采取某一个动作 a t 。 a_{t 。} at。 怎么知道采取哪一个动作 a t a_t at 呢? 我们就根据现在的 Q函数，但是要有探索的机制。比如 我们用玻尔兹曼探索或是 ε \varepsilon ε-贪心探索，接下来得到奖励 r t r_t rt ，进入状态 s t + 1 s_{t+1} st+1 。
所以现在收集到一笔数据 ( s t 、 a t 、 r t 、 s t + 1 ) \left(s_t 、 a_t 、 r_t 、 s_{t+1}\right) (st、at、rt、st+1) ，我们将其放到回放缓冲区里面。如果回放缓冲区满了，我们就把一些旧的数据丢掉。
接下来我们就从回放缓冲区里面去采样数据，采样到的是 ( s i 、 a i 、 r i 、 s i + 1 ) \left(s_i 、 a_i 、 r_i 、 s_{i+1}\right) (si、ai、ri、si+1) 。这笔数据与刚放进去的不一定是同一笔，我们可能抽到旧的。要注意的是， 我们采样出来不是一笔数据，采样出来的是一个批量的数据，采样一些经验出来。
接下来就是计算目标。假设我们采样出 一笔数据，根据这笔数据去计算目标。目标要用目标网络
Q
^
\hat{Q}
Q^ 来计算。目标是:
y
=
r
i
+
max
a
Q
^
(
s
i
+
1
,
a
)
y=r_i+\max _a \hat{Q}\left(s_{i+1}, a\right)
y=ri+amaxQ^(si+1,a)
其中，
a
a
a 是让
Q
^
\hat{Q}
Q^ 值最大的动作。因为我们在状态
s
i
+
1
s_{i+1}
si+1 会采取的动作
a
a
a 就是可以让
Q
^
\hat{Q}
Q^ 值最大的那一个动作。接下来我们要 更新
Q
\mathrm{Q}
Q 值，就把它当作一个回归问题。我们希望
Q
(
s
i
,
a
i
)
Q\left(s_i, a_i\right)
Q(si,ai) 与目标越接近越好。
假设已经更新了一定的次数，比如 C C C 次， 设 C = 100 C=100 C=100 ，那我们就把 Q ^ \hat{Q} Q^ 设成 Q Q Q ，这就是深度Q网络算法。
三、详细资料
关于更加详细的深度Q网络的介绍，请看我之前发的博客：【EasyRL学习笔记】第六章 DQN 深度Q网络（基本概念）
在学习深度Q网络前你最好能了解以下知识点：
- 全连接神经网络
- 神经网络求解分类问题
- 神经网络基本工作原理
- Q-Learning算法
四、Python代码实战
4.1 运行前配置
准备好一个RL_Utils.py文件，文件内容可以从我的一篇里博客获取：【RL工具类】强化学习常用函数工具类（Python代码）
这一步很重要，后面需要引入该RL_Utils.py文件
4.2 主要代码
import argparse
import datetime
import time
import math
import torch.optim as optim
import gym
from torch import nn
# 这里需要改成自己的RL_Utils.py文件的路径
from Python.ReinforcementLearning.EasyRL.RL_Utils import *
# Q网络（3层全连接网络）
class MLP(nn.Module):
def __init__(self, input_dim, output_dim, hidden_dim=128):
""" 初始化q网络，为全连接网络
input_dim: 输入的特征数即环境的状态维度
output_dim: 输出的动作维度
"""
super(MLP, self).__init__()
self.fc1 = nn.Linear(input_dim, hidden_dim) # 输入层
self.fc2 = nn.Linear(hidden_dim, hidden_dim) # 隐藏层
self.fc3 = nn.Linear(hidden_dim, output_dim) # 输出层
def forward(self, x):
# 各层对应的激活函数
x = torch.relu(self.fc1(x))
x = torch.relu(self.fc2(x))
return self.fc3(x)
# 经验回放缓存区
class ReplayBuffer:
def __init__(self, capacity):
self.capacity = capacity # 经验回放的容量
self.buffer = [] # 缓冲区
self.position = 0
def push(self, state, action, reward, next_state, done):
''' 缓冲区是一个队列，容量超出时去掉开始存入的转移(transition)
'''
if len(self.buffer) < self.capacity:
self.buffer.append(None)
self.buffer[self.position] = (state, action, reward, next_state, done)
self.position = (self.position + 1) % self.capacity
def sample(self, batch_size):
batch = random.sample(self.buffer, batch_size) # 随机采出小批量转移
state, action, reward, next_state, done = zip(*batch) # 解压成状态，动作等
return state, action, reward, next_state, done
def __len__(self):
''' 返回当前存储的量
'''
return len(self.buffer)
# DQN智能体对象
class DQN:
def __init__(self, model, memory, cfg):
self.n_actions = cfg['n_actions']
self.device = torch.device(cfg['device'])
self.gamma = cfg['gamma']
## e-greedy 探索策略参数
self.sample_count = 0 # 采样次数
self.epsilon = cfg['epsilon_start']
self.sample_count = 0
self.epsilon_start = cfg['epsilon_start']
self.epsilon_end = cfg['epsilon_end']
self.epsilon_decay = cfg['epsilon_decay']
self.batch_size = cfg['batch_size']
self.policy_net = model.to(self.device)
self.target_net = model.to(self.device)
# 初始化的时候，目标Q网络和估计Q网络相等，将策略网络的参数复制给目标网络
self.target_net.load_state_dict(self.policy_net.state_dict())
self.optimizer = optim.Adam(self.policy_net.parameters(), lr=cfg['lr'])
self.memory = memory
self.update_flag = False
# 训练过程采样：e-greedy policy
def sample_action(self, state):
self.sample_count += 1
self.epsilon = self.epsilon_end + (self.epsilon_start - self.epsilon_end) * \
math.exp(-1. * self.sample_count / self.epsilon_decay)
if random.random() > self.epsilon:
return self.predict_action(state)
else:
action = random.randrange(self.n_actions)
return action
# 测试过程：以最大Q值选取动作
def predict_action(self, state):
with torch.no_grad():
state = torch.tensor(state, device=self.device, dtype=torch.float32).unsqueeze(dim=0)
q_values = self.policy_net(state)
action = q_values.max(1)[1].item()
return action
def update(self):
# 当经验缓存区没有满的时候，不进行更新
if len(self.memory) < self.batch_size:
return
else:
if not self.update_flag:
print("Begin to update!")
self.update_flag = True
# 从经验缓存区随机取出一个batch的数据
state_batch, action_batch, reward_batch, next_state_batch, done_batch = self.memory.sample(
self.batch_size)
# 将数据转化成Tensor格式
state_batch = torch.tensor(np.array(state_batch), device=self.device,
dtype=torch.float) # shape(batchsize,n_states)
action_batch = torch.tensor(action_batch, device=self.device).unsqueeze(1) # shape(batchsize,1)
reward_batch = torch.tensor(reward_batch, device=self.device, dtype=torch.float).unsqueeze(
1) # shape(batchsize,1)
next_state_batch = torch.tensor(np.array(next_state_batch), device=self.device,
dtype=torch.float) # shape(batchsize,n_states)
done_batch = torch.tensor(np.float32(done_batch), device=self.device).unsqueeze(1) # shape(batchsize,1)
# 计算Q估计
q_value_batch = self.policy_net(state_batch).gather(dim=1,
index=action_batch) # shape(batchsize,1),requires_grad=True
next_max_q_value_batch = self.target_net(next_state_batch).max(1)[0].detach().unsqueeze(1)
# 计算Q现实
expected_q_value_batch = reward_batch + self.gamma * next_max_q_value_batch * (1 - done_batch)
# 计算损失函数MSE（Q估计，Q现实）
loss = nn.MSELoss()(q_value_batch, expected_q_value_batch)
# 梯度下降
self.optimizer.zero_grad()
loss.backward()
# 限制梯度的范围，以避免梯度爆炸
for param in self.policy_net.parameters():
param.grad.data.clamp_(-1, 1)
self.optimizer.step()
def save_model(self, path):
Path(path).mkdir(parents=True, exist_ok=True)
torch.save(self.target_net.state_dict(), f"{path}/checkpoint.pt")
def load_model(self, path):
self.target_net.load_state_dict(torch.load(f"{path}/checkpoint.pt"))
for target_param, param in zip(self.target_net.parameters(), self.policy_net.parameters()):
param.data.copy_(target_param.data)
# 训练函数
def train(arg_dict, env, agent):
# 开始计时
startTime = time.time()
print(f"环境名: {arg_dict['env_name']}, 算法名: {arg_dict['algo_name']}, Device: {arg_dict['device']}")
print("开始训练智能体......")
rewards = []
steps = []
for i_ep in range(arg_dict["train_eps"]):
ep_reward = 0
ep_step = 0
state = env.reset()
for _ in range(arg_dict['ep_max_steps']):
# 画图
if arg_dict['train_render']:
env.render()
ep_step += 1
action = agent.sample_action(state)
next_state, reward, done, _ = env.step(action)
agent.memory.push(state, action, reward,
next_state, done)
state = next_state
agent.update()
ep_reward += reward
if done:
break
# 目标网络更新
if (i_ep + 1) % arg_dict["target_update"] == 0:
agent.target_net.load_state_dict(agent.policy_net.state_dict())
steps.append(ep_step)
rewards.append(ep_reward)
if (i_ep + 1) % 10 == 0:
print(f'Episode: {i_ep + 1}/{arg_dict["train_eps"]}, Reward: {ep_reward:.2f}: Epislon: {agent.epsilon:.3f}')
print('训练结束 , 用时: ' + str(time.time() - startTime) + " s")
# 关闭环境
env.close()
return {'episodes': range(len(rewards)), 'rewards': rewards}
# 测试函数
def test(arg_dict, env, agent):
startTime = time.time()
print("开始测试智能体......")
print(f"环境名: {arg_dict['env_name']}, 算法名: {arg_dict['algo_name']}, Device: {arg_dict['device']}")
rewards = []
steps = []
for i_ep in range(arg_dict['test_eps']):
ep_reward = 0
ep_step = 0
state = env.reset()
for _ in range(arg_dict['ep_max_steps']):
# 画图
if arg_dict['test_render']:
env.render()
ep_step += 1
action = agent.predict_action(state)
next_state, reward, done, _ = env.step(action)
state = next_state
ep_reward += reward
if done:
break
steps.append(ep_step)
rewards.append(ep_reward)
print(f"Episode: {i_ep + 1}/{arg_dict['test_eps']}，Reward: {ep_reward:.2f}")
print("测试结束 , 用时: " + str(time.time() - startTime) + " s")
env.close()
return {'episodes': range(len(rewards)), 'rewards': rewards}
# 创建环境和智能体
def create_env_agent(arg_dict):
# 创建环境
env = gym.make(arg_dict['env_name'])
# 设置随机种子
all_seed(env, seed=arg_dict["seed"])
# 获取状态数
try:
n_states = env.observation_space.n
except AttributeError:
n_states = env.observation_space.shape[0]
# 获取动作数
n_actions = env.action_space.n
print(f"状态数: {n_states}, 动作数: {n_actions}")
# 将状态数和动作数加入算法参数字典
arg_dict.update({"n_states": n_states, "n_actions": n_actions})
# 实例化智能体对象
# Q网络模型
model = MLP(n_states, n_actions, hidden_dim=arg_dict["hidden_dim"])
# 回放缓存区对象
memory = ReplayBuffer(arg_dict["memory_capacity"])
# 智能体
agent = DQN(model, memory, arg_dict)
# 返回环境，智能体
return env, agent
if __name__ == '__main__':
# 防止报错 OMP: Error #15: Initializing libiomp5md.dll, but found libiomp5md.dll already initialized.
os.environ["KMP_DUPLICATE_LIB_OK"] = "TRUE"
# 获取当前路径
curr_path = os.path.dirname(os.path.abspath(__file__))
# 获取当前时间
curr_time = datetime.datetime.now().strftime("%Y_%m_%d-%H_%M_%S")
# 相关参数设置
parser = argparse.ArgumentParser(description="hyper parameters")
parser.add_argument('--algo_name', default='DQN', type=str, help="name of algorithm")
parser.add_argument('--env_name', default='CartPole-v0', type=str, help="name of environment")
parser.add_argument('--train_eps', default=200, type=int, help="episodes of training")
parser.add_argument('--test_eps', default=20, type=int, help="episodes of testing")
parser.add_argument('--ep_max_steps', default=100000, type=int,
help="steps per episode, much larger value can simulate infinite steps")
parser.add_argument('--gamma', default=0.95, type=float, help="discounted factor")
parser.add_argument('--epsilon_start', default=0.95, type=float, help="initial value of epsilon")
parser.add_argument('--epsilon_end', default=0.01, type=float, help="final value of epsilon")
parser.add_argument('--epsilon_decay', default=500, type=int,
help="decay rate of epsilon, the higher value, the slower decay")
parser.add_argument('--lr', default=0.0001, type=float, help="learning rate")
parser.add_argument('--memory_capacity', default=100000, type=int, help="memory capacity")
parser.add_argument('--batch_size', default=64, type=int)
parser.add_argument('--target_update', default=4, type=int)
parser.add_argument('--hidden_dim', default=256, type=int)
parser.add_argument('--device', default='cpu', type=str, help="cpu or cuda")
parser.add_argument('--seed', default=520, type=int, help="seed")
parser.add_argument('--show_fig', default=False, type=bool, help="if show figure or not")
parser.add_argument('--save_fig', default=True, type=bool, help="if save figure or not")
parser.add_argument('--train_render', default=False, type=bool,
help="Whether to render the environment during training")
parser.add_argument('--test_render', default=True, type=bool,
help="Whether to render the environment during testing")
args = parser.parse_args()
default_args = {'result_path': f"{curr_path}/outputs/{args.env_name}/{curr_time}/results/",
'model_path': f"{curr_path}/outputs/{args.env_name}/{curr_time}/models/",
}
# 将参数转化为字典 type(dict)
arg_dict = {**vars(args), **default_args}
print("算法参数字典:", arg_dict)
# 创建环境和智能体
env, agent = create_env_agent(arg_dict)
# 传入算法参数、环境、智能体，然后开始训练
res_dic = train(arg_dict, env, agent)
print("算法返回结果字典:", res_dic)
# 保存相关信息
agent.save_model(path=arg_dict['model_path'])
save_args(arg_dict, path=arg_dict['result_path'])
save_results(res_dic, tag='train', path=arg_dict['result_path'])
plot_rewards(res_dic['rewards'], arg_dict, path=arg_dict['result_path'], tag="train")
# =================================================================================================
# 创建新环境和智能体用来测试
print("=" * 300)
env, agent = create_env_agent(arg_dict)
# 加载已保存的智能体
agent.load_model(path=arg_dict['model_path'])
res_dic = test(arg_dict, env, agent)
save_results(res_dic, tag='test', path=arg_dict['result_path'])
plot_rewards(res_dic['rewards'], arg_dict, path=arg_dict['result_path'], tag="test")
4.3 运行结果展示
由于有些输出太长，下面仅展示部分输出
状态数: 4, 动作数: 2
环境名: CartPole-v0, 算法名: DQN, Device: cpu
开始训练智能体......
Begin to update!
Episode: 10/200, Reward: 16.00: Epislon: 0.649
Episode: 20/200, Reward: 12.00: Epislon: 0.473
Episode: 30/200, Reward: 10.00: Epislon: 0.358
Episode: 40/200, Reward: 17.00: Epislon: 0.272
Episode: 50/200, Reward: 18.00: Epislon: 0.212
Episode: 60/200, Reward: 139.00: Epislon: 0.049
Episode: 70/200, Reward: 200.00: Epislon: 0.011
Episode: 80/200, Reward: 200.00: Epislon: 0.010
Episode: 90/200, Reward: 200.00: Epislon: 0.010
Episode: 100/200, Reward: 200.00: Epislon: 0.010
Episode: 110/200, Reward: 200.00: Epislon: 0.010
Episode: 120/200, Reward: 200.00: Epislon: 0.010
Episode: 130/200, Reward: 169.00: Epislon: 0.010
Episode: 140/200, Reward: 200.00: Epislon: 0.010
Episode: 150/200, Reward: 179.00: Epislon: 0.010
Episode: 160/200, Reward: 200.00: Epislon: 0.010
Episode: 170/200, Reward: 170.00: Epislon: 0.010
Episode: 180/200, Reward: 200.00: Epislon: 0.010
Episode: 190/200, Reward: 200.00: Epislon: 0.010
Episode: 200/200, Reward: 165.00: Epislon: 0.010
训练结束 , 用时: 100.28473830223083 s
============================================================================================================================================================================================================================================================================================================
状态数: 4, 动作数: 2
开始测试智能体......
环境名: CartPole-v0, 算法名: DQN, Device: cpu
Episode: 1/20，Reward: 200.00
Episode: 2/20，Reward: 200.00
Episode: 3/20，Reward: 200.00
Episode: 4/20，Reward: 200.00
Episode: 5/20，Reward: 200.00
Episode: 6/20，Reward: 200.00
Episode: 7/20，Reward: 200.00
Episode: 8/20，Reward: 200.00
Episode: 9/20，Reward: 200.00
Episode: 10/20，Reward: 200.00
Episode: 11/20，Reward: 200.00
Episode: 12/20，Reward: 198.00
Episode: 13/20，Reward: 200.00
Episode: 14/20，Reward: 200.00
Episode: 15/20，Reward: 200.00
Episode: 16/20，Reward: 200.00
Episode: 17/20，Reward: 200.00
Episode: 18/20，Reward: 179.00
Episode: 19/20，Reward: 200.00
Episode: 20/20，Reward: 200.00
测试结束 , 用时: 30.37125039100647 s
4.4 关于可视化的设置
如果你觉得可视化比较耗时，你可以进行设置，取消可视化。
或者你想看看训练过程的可视化，也可以进行相关设置
