Den fullständiga DQN-algoritmen

Djup förstärkningsinlärning i Python

Timothée Carayol

Principal Machine Learning Engineer, Komment

DQN-algoritmen

Vi studerade DQN med Experience Replay
Nära DQN som publicerades första gången (2015)
Två komponenter saknas fortfarande:
- Epsilon-girighet -> mer utforskning
- Fasta Q-mål -> stabilare inlärning

En äventyrare med den grekiska bokstaven epsilon vid sin sida

Versalbokstaven Q, frusen i ett isblock

Epsilon-girighet i DQN-algoritmen

Implementera avtagande epsilon-girighet i 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()

$\varepsilon = end + (start-end) \cdot e^{-\frac{step}{decay}}$
Utför slumpmässig åtgärd med sannolikhet $\varepsilon$
Utför åtgärden med högst värde med sannolikhet $1 - \varepsilon$

Ett diagram som visar epsilon-avtagningsschemat för olika värden på decay-parametern.

Fasta Q-mål

I Bellman-felet:
- Q-nätverket i både Q-värdes- och TD-målberäkning
- Instabilitet från rörligt mål

Inför målnätverk för att stabilisera målet

Bellman-felet: (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)

Implementera fasta Q-mål

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

Inledningsvis är Online-nätverket = Målnätverket
Ett nätverks tillståndsordbok innehåller alla vikter:
För varje steg rör sig varje vikt i Målnätverket lite närmare Online-nätverket

Förlustberäkning med fasta Q-mål

# 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-värden använder online_network
Mål-Q-värden använder target_network
Använd torch.no_grad() för att inaktivera gradientspårning för mål-Q-värden
Använd fortfarande medelkvadratiskt Bellman-fel för förlustberäkning
Använd update_target_network() för att gradvis uppdatera target_network

Nu kör vi en övning!

Djup förstärkningsinlärning i Python