Kompletny algorytm DQN

Głębokie uczenie ze wzmocnieniem w Pythonie

Timothée Carayol

Principal Machine Learning Engineer, Komment

Algorytm DQN

Omówiliśmy DQN z Experience Replay
Bliskie oryginalnej publikacji DQN (2015)
Brakuje jeszcze dwóch elementów:
- Epsilon-chciwość -> większa eksploracja
- Stałe Q-targety -> stabilniejsze uczenie

Awanturniczka stoi z grecką literą epsilon u boku

Wielka litera Q zamrożona w bryle lodu

Epsilon-chciwość w algorytmie DQN

Implementacja malejącej epsilon-chciwości w 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()

$\varepsilon = end + (start-end) \cdot e^{-\frac{step}{decay}}$
Losowa akcja z prawdopodobieństwem $\varepsilon$
Akcja o najwyższej wartości z prawdopodobieństwem $1 - \varepsilon$

Wykres harmonogramu zaniku epsilon dla różnych wartości parametru decay.

Stałe Q-targety

W błędzie Bellmana:
- Q-Network w obliczeniach zarówno Q-Value, jak i TD-Target
- Niestabilność wynikająca z przesuwającego się targetu

Wprowadzenie target network stabilizuje target

Błąd Bellmana: (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)

Implementacja stałych Q-targetów

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

Początkowo Online Network = Target Network
Słownik stanu sieci zawiera wszystkie wagi:
W każdym kroku wagi Target Network zbliżają się do Online Network

Obliczanie straty ze stałymi Q-targetami

# 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)

Wartości Q używają online_network
Docelowe wartości Q używają target_network
torch.no_grad() wyłącza śledzenie gradientów dla docelowych wartości Q
Błąd Bellmana (MSE) nadal służy do obliczania straty
update_target_network() stopniowo aktualizuje target_network

Czas na ćwiczenia!

Głębokie uczenie ze wzmocnieniem w Pythonie