入门必看 | 深度Q-learning简介【RL系列】

下载方式

方式一

公众号后天回复“20180803”

---

---

作者 | Robbie Allen

编译 | 专知

整理 | Sanglei, Shengsheng

---

添加微信：MLAPython

（姓名-单位-方向）

即可加入机器学习交流群

 今天，我们将构建一个深度Q网络，为环境中的agent实现一个可以获取环境状态信息以及近似Q-value的神经网络。

        多亏这个模型，我们才可以使用agent打Doom游戏。

在这篇文章中，你将学到：

• 什么是深度Q学习（DQL）。

• DQL中的最好策略是什么？

• 如何解决Temporal limitation问题？

• 为什么我们使用经验回放？

• DQL背后的数学理论是什么？

• 如何通过tensorflow实现？

在Q-learning中加入“Deep”

我们基于Q-learning方法构建了一个可以玩Frozen Lake游戏的agent。当时实现了Q-learing方法并可以更新Q-table。以此表作为“备忘录”来帮助我们找到当给定环境状态时，在未来获得最佳奖励的行为。这是一个好策略，但却扩展性很低。

今天，我们将创建一个可以玩Doom的agent。Doom内的环境非常巨大（百万级的状态集）。创建Q-table并更新它们非常不易。最好的做法是，构建一个神经网络，以近似得出各个状态下行为的Q-values。

如何令深度Q学习工作呢？

这看起来非常复杂，但我们将一步一步完成解释。我们的深度Q神经网络的每次输入是4帧图片，输出为各环境下的每个可选行为的Q-values向量。我们需要找到向量中最大的Q-value，以帮我们做出最好的行为决策。

开始，agent的错误很多，但一段时间后，就可以将每帧画面（环境）与最好的行为关联起来

预处理部分

预处理是非常重要的一步，我们希望减少状态的复杂度，以帮助减少训练过程所需的计算时间。

首先，我们将每帧图像转换为灰度图，因为在我们的例子中，色彩并没有提供很多的重要信息。之后，我们将每帧图片切分，在例子中，屋顶的价值并不大。最后，减少帧的大小，并将每四帧分为一组。

Temporal limitation问题

关于这个问题，Arthur Juliani在他的文章中给出了详细的解释。他提出了一个想法，通过LSTM神经网络解决这一问题。但是，我认为对于初学者来说，将多个帧分成一组的方法更加合适。

你也许会问，为什么需要将每帧图片分为一组？这是由于可以帮我们解决temporal limitation问题。具体例子如下，在Pong游戏中，当你看到这一帧：

你能告诉我这个球会往哪去吗?当然不行，因为只有一帧图片是无法做出判断的。但是如果增加几帧信息，就可以很清晰的知道球正朝右边运动。

对于我们的Doom agent来说，道理相同，如果一次只输入一帧，则无法知道运动细节，也就则无法做出正确的决策了。

使用卷积神经网络

这些帧图片将使用三个卷积层进行处理。这些网络层可以允许agent发现图片之间的空间关系。

如果你对卷积方法不是很了解，那么可以阅读如下文章。

每个卷积层将使用ELU作为激活函数。在网络中，我们采用一个使用激活函数为ELU的全连接层、一个输出层（采用线性激活函数的全连接层）来为每个行为计算Q-value值。

经验回放：给观察经验带来更大的效率

经验回放可以帮我们解决两个问题：

• 避免遗忘之前的经验。

• 减少经验之间的相关性

我将解释这两种概念。这部分的灵感来自于Udacity中深度学习基础的深度Q学习章节。

1、避免遗忘之前的经验

这里遇到各大问题：由于环境与行为间的高相关性，权重是可变化的。

在每一个时间步中，我们都会接受一个元祖（状态、行为、反馈、新状态），模型从中学习并获得经验。

我们的问题是在与环境的交互过程中获得了连续样本，并且它倾向于忘记之前的经验。例如，如果我们完成了第一级到第二级的行为，随着时间的推移，agent将倾向于忘记它是如何从第一级运动到第二级的。

在多个时间点使用之前的行为，将有助于学习进程变得更加高效。

我们的解决办法是，创建一个“回放缓存”，其中存储的经验元祖将于环境进行交互，之后我们采样到部分样本，输入至神经网络中。

 

2、减少经验间的相关性

此处有另一个问题，我们知道每个行为都会对下一个状态产生影响。输出一组经验元组序列，有可能存在很高的相关性。如果我们在序列顺序上进行训练，有可能会使agent被相关性所影响。

通过对经验回放的随机采样，可以破坏这种相关性。以预防agent灾难性的震荡于消散。

可以通过例子来简单理解一下，首先，我们使用第一个射手，对面是一个怪兽，可以从左运动到右。我们有两把枪于两个可选动作，向左开枪与向右开枪。

我们通过经验学习，如果击中怪兽，怪兽从相同方向过来的概率为70%，在这个例子中，这就是我们经验元组的相关性。

开始训练，agent看到怪兽在右边，并且使用右边的抢开枪，正确！然后，下一个怪兽也从右边经过（70%概率），并且agent同样朝右开枪，再一次答对了！

 

问题在于这个方法增加了朝右开枪的评估值。

 

如果agent无法看到足够多的左边的例子（30%概率），那么agent将认为朝右开枪始终是对的，而不关心其他的因素。

我们有两种平行策略去解决这一问题。

首先，必须停止从环境的交互中学习，开始尝试不同的方法，采用些随机发现的状态空间。并将结果保存至回放缓存中。

之后，可以调用这些经验，并从其中学习，返回并更新值函数。

最后，将获得一组更好的样例，可以从其中获得更好的泛化模式。

这会避免agent陷于状态空间的某个区域之中，防止某个行为的循环强化。

这个方法可以认为是一种监督学习，在未来的文章中，我们可以看到使用优先经验回放概念的想法，这将使神经网络更频繁的获得“重要”或“稀有”的动作样本。

深度Q学习算法

首先，我们需要了解下数学公式：回忆下Q函数的更新方法（Bellman equation）：

在此次例子中，我们希望更新网络的权重以减少误差。

误差（TD误差）通过计算Q_target（下一个时刻的最大可能值）与当前状态下预测得到的Q-value间的差值来获得。

 

在算法中，出现了两种处理过程。

1、 对环境采样，并且将观察到的信息存储于回放缓存中。

2、 随机选取一组小batch，并使用梯度下降方法进行迭代学习。

实现深度Q学习

此处有一个作者制作的视频【8】，基于tensorflow创建一个会玩Atari Space Invaders的agent。

现在我们知道强化学习是如何工作的了，我们将一步步实现我们自己的深度Q学习模型。每一步的代码都可以在下文中的Jupyter上面查看。

全部文档及代码见链接【9】。

 

以上便是深度Q学习构建的全部内容了。在下一章中，将介绍深度Q学习的各类变体。

• Fixed Q-values

• Prioritized Experience Replay

• Double DQN

• Dueling Networks

---

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

[2] https://simoninithomas.github.io/Deep_reinforcement_learning_Course/ 

[3] https://medium.com/@awjuliani

[4] https://medium.com/emergent-future/simple-reinforcement-learning-with-tensorflow-part-8-asynchronous-actor-critic-agents-a3c-c88f72a5e9f2

[5] http://colah.github.io/posts/2015-08-Understanding-LSTMs/

[6] https://medium.com/@ageitgey/machine-learning-is-fun-part-3-deep-learning-and-convolutional-neural-networks-f40359318721

[7] https://mp.weixin.qq.com/s?__biz=MzU2OTA0NzE2NA==&mid=2247491116&idx=1&sn=74dbd582e6fd0e5a9bd54c28187195dd&chksm=fc85ff3fcbf27629bdd356e0439258ea52f0cacd8390cce24b3c5d516684e2af296b7b2ebccf#rd

[8] https://youtu.be/gCJyVX98KJ4 

[9] https://github.com/simoninithomas/Deep_reinforcement_learning_Course/tree/master/DQN/doom 

原文链接：

https://medium.freecodecamp.org/an-introduction-to-deep-q-learning-lets-play-doom-54d02d8017d8