Den grundläggande DQN-algoritmen

Djup förstärkningsinlärning i Python

Timothée Carayol

Principal Machine Learning Engineer, Komment

Den grundläggande DQN

Vårt första steg mot den fullständiga DQN-algoritmen
Innehåller:
- En generisk DRL-träningsloop
- Ett Q-nätverk
- Principer för Q-inlärning

for episode in range(1000):
  state, info = env.reset()
  done = False
  while not done:
    # Action selection
    action = select_action(network, state)
    next_state, reward, terminated, truncated, _ = (
                                   env.step(action))
    done = terminated or truncated
    # Loss calculation
    loss = calculate_loss(network, state, action, 
                          next_state, reward, done)
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
    state = next_state

Åtgärdsval i den grundläggande DQN

def select_action(q_network, state):

    # Feed state to network to obtain Q-values

    q_values = q_network(state)

    # Obtain index of action with highest Q-value
    action = torch.argmax(q_values).item()

    return action

Policy: välj åtgärden med högst Q-värde
- $ a_t = {\arg\max}_a Q(S_t, a) $
- Här: åtgärd 2, med Q-värdet 0.12

Q-values: [-0.01, 0.08, 0.12, -0.07]

Action selected: 2, with q-value 0.12

Förlustfunktionen i den grundläggande DQN

Aktions-värdenfunktionen uppfyller Bellmanekvationen
Idé: minimera skillnaden mellan båda sidor – även kallat TD-fel eller Bellmanfel
Använd kvadratiskt Bellmanfel som förlustfunktion:

DQN-förlust (kvadratiskt Bellmanfel): L(theta) = kvadraten av Bellmanfelet

Bellmanekvationen Q(S,A) = belöning + diskontering * max(Q(S_nästa,A))

Bellmanfelet Q(S,A) - (belöning + diskontering * max(Q(S_nästa,A)))

Förlustfunktionen i den grundläggande DQN

def calculate_loss(
      q_network, state, action,
      next_state, reward, done):

    q_values = q_network(state)

    current_state_q_value = q_values[action]

    next_state_q_value = q_network(next_state).max()

    target_q_value = reward +
                gamma * next_state_q_value * (1-done)

    loss = nn.MSELoss()(
              current_state_q_value, target_q_value)

    return loss

Nuvarande tillstånds Q-värde:

$Q(s_t, a_t)$

Nästa tillstånds Q-värde:

$\max_a Q(s_{t+1}, a)$

Mål-Q-värde:

$r_{t+1} + \gamma \max_a Q(s_{t+1}, a)$

DQN-förlust:

$$\left(Q(s_t, a_t) - (r_{t+1} + \gamma \max_a Q(s_{t+1}, a)\right)^2$$

Beskriva episoderna

describe_episode(episode, reward, episode_reward, step)

| Episode    1 | Duration:   84 steps | Return: -871.38 | Crashed  |

| Episode    2 | Duration:   53 steps | Return: -452.68 | Crashed  |

| Episode    3 | Duration:   57 steps | Return: -414.22 | Crashed  |
| Episode    4 | Duration:   54 steps | Return: -475.09 | Crashed  |

| Episode    5 | Duration:   67 steps | Return: -532.31 | Crashed  |
| Episode    6 | Duration:   53 steps | Return: -407.00 | Crashed  |
| Episode    7 | Duration:   52 steps | Return: -380.45 | Crashed  |
| Episode    8 | Duration:   55 steps | Return: -380.75 | Crashed  |
| Episode    9 | Duration:   88 steps | Return: -688.68 | Crashed  |
| Episode   10 | Duration:   76 steps | Return: -338.06 | Crashed  |

Nu kör vi en övning!

Djup förstärkningsinlärning i Python