O algoritmo DQN completo

Aprendizado por reforço profundo em Python

Timothée Carayol

Principal Machine Learning Engineer, Komment

O algoritmo DQN

 

 

  • Estudamos DQN com Experience Replay
  • Próximo do DQN publicado pela primeira vez (2015)
  • Ainda faltam dois componentes:
    • Epsilon-greediness -> mais exploração
    • Q-targets fixos -> aprendizado mais estável

Uma aventureira em pé, com a letra grega epsilon ao lado

A letra maiúscula Q, congelada em um bloco de gelo

Aprendizado por reforço profundo em Python

Epsilon-greediness no algoritmo DQN

  • Implemente Epsilon-greediness decaído em select_action()
def select_action(q_values, step, start, end, decay):

    # Calculate the threshold value for this step
    epsilon = (
        end + (start-end) * math.exp(-step / decay))

    # Draw a random number between 0 and 1
    sample = random.random()

    if sample < epsilon:
        # Return a random action index
        return random.choice(range(len(q_values)))

    # Return the action index with highest Q-value
    return torch.argmax(q_values).item()
  • $\varepsilon = end + (start-end) \cdot e^{-\frac{step}{decay}}$
  • Faça uma ação aleatória com probabilidade $\varepsilon$
  • Faça a ação de maior valor com probabilidade $1 - \varepsilon$

Um gráfico representando o agendamento do decaimento do Epsilon para diferentes valores do parâmetro de decaimento.

Aprendizado por reforço profundo em Python

Q-targets fixos

 

  • No Erro de Bellman:
    • Q-Network em ambos: cálculo do Q-Value e do TD-Target
    • Instabilidade por alvo variável

 

  • Introduza uma rede alvo para estabilizar o alvo

 

O Erro de Bellman: (r_t+1 + gamma max(Q(s_t+1, a))) - Q(s_t, a_t)

(r_t+1 + gamma max(Q_target(s_t+1, a))) - Q_online(s_t, a_t)

Aprendizado por reforço profundo em Python

Implementando Q-targets fixos

online_network = QNetwork(state_size, action_size)
target_network = QNetwork(state_size, action_size)

target_network.load_state_dict(
                       online_network.state_dict())


def update_target_network(
                 target_network, online_network, tau):

  target_net_state_dict = target_network.state_dict()
  online_net_state_dict = online_network.state_dict()
  for key in online_net_state_dict:

    target_net_state_dict[key] = (
         online_net_state_dict[key] * tau + 
         target_net_state_dict[key] * (1 - tau))

    target_network.load_state_dict(
                          target_net_state_dict)

  return None
  • Inicialmente Online Network = Target Network
  • O state dict de uma rede contém todos os pesos: a representação de um dicionário de estado de rede, com entradas para fc1.weight, fc1.bias e fc2.weight; o valor de cada entrada é um tensor.
  • A cada passo, cada peso da Target Network fica um pouco mais perto da Online Network
Aprendizado por reforço profundo em Python

Cálculo da perda com Q-targets fixos

# In the inner loop, after action selection
if len(replay_buffer) >= batch_size:
  states, actions, rewards, next_states, dones = 
      replay_buffer.sample(64)

  q_values = (online_network(states)
            .gather(1, actions).squeeze(1))

  with torch.no_grad():

    next_q_values = (
        target_network(next_states).amax(1))
    target_q_values = (
        rewards + gamma * next_q_values * (1 - dones))

  loss = torch.nn.MSELoss()(target_q_values, q_values)
  optimizer.zero_grad()
  loss.backward()
  optimizer.step()

  update_target_network(
               target_network, online_network, tau)

 

  • Q-values usam online_network
  • Target Q-values usam target_network
  • Use torch.no_grad() para desativar o rastreamento de gradiente dos target Q-values
  • Ainda use Mean Squared Bellman Error no cálculo da perda
  • Use update_target_network() para atualizar lentamente a target_network
Aprendizado por reforço profundo em Python

Vamos praticar!

Aprendizado por reforço profundo em Python

Preparing Video For Download...