强化学习 DQN 初探之2048

会员服务 ·

强化学习 DQN 初探之2048

2019 年 12 月 10 日 DataFunTalk

文章作者：张小凡

编辑整理：Hoh Xil

内容来源：作者授权发布

出品平台：DataFunTalk

注：欢迎转载，转载请留言。

导读：强化学习也火了好久，最近才有空来充充电。老实说，最开始强化学习的知识点还挺多的，看了好久也没太弄清楚几个算法的关系，所以本着实践出真知的想法，找个案例做下。2048小游戏感觉本身复杂度还可以，又是个 model-base 的模型，检查起来比较方便，并且可以简化到2x2，3x3，所以感觉是个很不错的 demo 案例。顺便学习下传统的 DP 那一套东西，所以也做了一些很简单的实验来巩固下知识。本文还是会参杂很多个人想法，很多想法来自一些实验测试结果。关于理论的东西网上讲的已经很多了。因为查阅资料的时候，看到很多人在尝试 DQN on 2048 的时候遇到了不少问题，所以和大家进行下分享。

▌最终效果

大概率能玩出2048
最高可以玩 3w 多分
均值 1w 多分
仍有上升空间 ( 可能有啥 bug，跑久了容易挂，就没继续跑了 )
网上能查到的比较厉害的差不多到4096 (AI)，比例也比较小。

▌实验过程

1. 随机测试：

定义：

max_tile:4x4格子中最大方块数
max_score:n局下来最大总分数 ( n in 50-100 )
avg_score:n局平均分数 ( n in 50-100 )

4x4的游戏中随机算法评测：

max_tile:256
avg_score:700+
max_score:2k+

这里大概评估下随机水平，方便后面评估。

2. DQN 初探：

按照自己的想法构建了一个最初版本的 DQN

net:4*4直接reshape(-1,16) - dense_layer(128) - dense_layer_(4)
memory_sie:100w
lr:0.001(固定)
reward:每次运行后得分
gamma(延迟衰减):1
e-greedy:指数衰减，最小0.1

结果：网络到 max_score:3000 之后，好像跑不动了。这里一脸蒙，不知道有啥可以改的。于是发现这个事情并不简单，就想简化问题到2x2看看能不能有啥收货，顺便补习下传统的一些 RL 算法，验证下最优原理。

▌值迭代、策略迭代、蒙特卡洛、Q-learning

1. 值迭代：

值迭代

2. 策略迭代：

策略迭代

值迭代、策略迭代、蒙特卡洛、Q-learning：2*2上可以快速收敛。
Q-learning 感觉会稍微有点波动。

3. DQN 在2x2

当用值迭代、策略迭代得到了理论最优值之后，又用 DQN 测试了一把。发现 DQN 结果比最优值总是差点，这就说明网络和学习策略确实有点问题，但同时侧面又反映了，2x2的时候能很接近最优策略，4x4差的比较远，那么很大部分问题可能来自参数化和探索方面。（空间变大会涉及到的点）

总结几个提升慢原因：

没有找到足够高分的点训练

e-greedy
游戏本身随机性

找到高分点后，没有训练到

被训练数据淹没-memory_size
lr 和高分没有匹配上，太小了

reward 设计不合理

4. DQN-2013 + 网络层迭代、bug 修复

从2x2的地方看出，参数化有问题，那么第一个想法就是优化下网络，dnn 还是太粗暴了，还是得 cnn，这里就有几个方案：

原始值 + cnn
one-hot + cnn
emb + cnn
cur + next-step + cnn(github上看到别人的做法，借鉴的alphaGoZero)

新版本改进:修复了探索的 bug，reward 做了 log 变化，网络换成了 emb+cnn，新结果如下：

max_score:6000
max_tile:1024

但是问题也暴露的很明显：

loss 出现了非常夸张的发散问题，预测值过估计严重。如下图，大概意思就是 loss 变得巨大无比之后，效果就开始变差，loss 也下来了。

loss 图

5. DDQN/DQN2015

一般讲 DQN 的三个优化：DDQN/Prioritized Experience Replay/dueling-DQN

DDQN/DQN2015 的两个方案在2048的案例中都没有啥效果，过估计仍然很严重。
后面两个没有提到对过估计的问题，所以没有尝试。
dueling-dqn 在别人的一篇文章中有测试，dueling-dqn 比 ddqn 的上限要高，早期好像差别也不大。

到这里，其实有点调不下去了，后来在网上翻到了一个代码。能跑出2048，天呐，发现宝了，做了很多测试，发现我和他的方案上差异还是蛮大的，然后就开始了一点点比较的阶段。

6. 复现 Github 方案

先提出别人和我方案的差异点：

lr别人用了离散衰减，start-lr = 0.0005
reward:用了max_tile增量+合并单元数
memory_size:6000！！！
更新方案:dqn2013，没用target
gamma:0.9
egreedy:0.9，10000步后快速收敛到0
net:一个比较定制化的one-hot + cnn

我在他的方案上做了一系列实验：

实验1：把 e-greedy 改成最小0.1

实验结果：

max_score 到 1w+ 后开始增长变得很慢，很久都没有提升。说明该任务本身具有比较强的前后相关性和随机性，最终还保持较高的探索难以发现最佳值。

实验2：用数值网络代替 one-hot+cnn

实验结果：

提升没有之前快了，这个实验没跑完就挂了，但是 raw 的效果不如 cnn。说明网络结构影响比较大

实验3：reward 改成每步获取 score

监控几乎和之前差不多，说明两个 reward 设计都可行。

实验4：在原基础上只用 max_tile 来作为回报，拿掉合并分数

无法达到2048，在1024前就好像不涨了。说明 reward 也不能设计的太随意，要保持和训练方案比较高的协调性，只用 max 的话，reward 会比较稀疏。

在做完上述一系列实验后，我大致有了个数，然后对自己的实验进行了优化。

优化方案：

lr设计成离散衰减
gamma:1 （没变）
reward:score （没变）
更新方案:dqn-2013（没变）
memory_size:6000
egreedy:0.9指数衰减，10000步后快速收敛到0
net:emb+普通2*2的cnn2层（不变）

结果：

max_score:3.4w
max_tile:2048
avg_score:10000

截张图看下：

2048

之后测试了下 ddqn，发现收敛比较。本身把 memory_size 设置小了之后，过估计就没有这么严重了。这里简单分下，过估计本身在 Q-learning 中就存在，回访池过大之后，训练越多，过估计越严重，在没有很好的高分数据前，就给搞过估计了，所以后面就不好迭代了。反而用小点的话，过估计不严重，在高分出现后也不会淹没在数据中，对于这个任务可能更好一点。很多结论可能都与这种需要长期规划的性质相关。

▌蒙特卡洛树搜索探索

出于对 alphaGo 的膜拜，我也想过，dqn 很多时候不好训练，就是很难拿到高分训练数据，能不能和 alphaGo 一样，用个 mcts，就简单做了下。结果如下：

纯蒙特卡洛树搜索的方案:每步模拟100-200，可以轻松到达2048，均值 2w+ ( 这里测试数据不多，跑的很慢，所以想用mcts来训练dqn的方案也被 pass 了 )。

1. 需要监控的点