Kompletní algoritmus DQN

Deep Reinforcement Learning v Pythonu

Timothée Carayol

Principal Machine Learning Engineer, Komment

Algoritmus DQN

 

 

  • Studovali jsme DQN s přehrávací pamětí
  • Blízko původnímu DQN (2015)
  • Chybí nám ještě dvě složky:
    • Epsilon-chamtivost -> více průzkumu
    • Pevné Q-cíle -> stabilnější učení

Dobrodružka s řeckým písmenem epsilon po boku

Velké písmeno Q zamrzlé v bloku ledu

Deep Reinforcement Learning v Pythonu

Epsilon-chamtivost v algoritmu DQN

  • Implementujte klesající epsilon-chamtivost v 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()
  • $\varepsilon = end + (start-end) \cdot e^{-\frac{step}{decay}}$
  • Náhodná akce s pravděpodobností $\varepsilon$
  • Akce s nejvyšší hodnotou s pravděpodobností $1 - \varepsilon$

Graf průběhu poklesu epsilonu pro různé hodnoty parametru decay.

Deep Reinforcement Learning v Pythonu

Pevné Q-cíle

 

  • V Bellmanově chybě:
    • Q-síť ve výpočtu Q-hodnoty i TD-cíle
    • Nestabilita z důvodu posunu cíle

 

  • Zavedení cílové sítě pro stabilizaci cíle

 

Bellmanova chyba: (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)

Deep Reinforcement Learning v Pythonu

Implementace pevných Q-cílů

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
  • Zpočátku: Online síť = Cílová síť
  • Stavový slovník sítě obsahuje všechny váhy: Znázornění stavového slovníku sítě s položkami fc1.weight, fc1.bias a fc2.weight; hodnotou každé položky je tensor.
  • V každém kroku se váhy cílové sítě přibližují online síti
Deep Reinforcement Learning v Pythonu

Výpočet ztráty s pevnými Q-cíli

# 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-hodnoty používají online_network
  • Cílové Q-hodnoty používají target_network
  • torch.no_grad() zakáže sledování gradientů pro cílové Q-hodnoty
  • Pro výpočet ztráty se stále používá střední kvadratická Bellmanova chyba
  • update_target_network() postupně aktualizuje target_network
Deep Reinforcement Learning v Pythonu

Pojďme si procvičit!

Deep Reinforcement Learning v Pythonu

Preparing Video For Download...