Повний алгоритм DQN

Глибоке навчання з підкріпленням у Python

Timothée Carayol

Principal Machine Learning Engineer, Komment

Алгоритм DQN

Ми вивчили DQN з Experience Replay
Близько до початкового DQN (2015)
Нам бракує двох компонентів:
- Epsilon-greediness → більше дослідження
- Фіксовані Q-цілі → стабільніше навчання

Мандрівниця стоїть, поруч літера грецького алфавіту епсилон

Велика літера Q, заморожена в брили льоду

Epsilon-greediness в алгоритмі DQN

Реалізуйте спадну epsilon-greediness у 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()

$\varepsilon = end + (start-end) \cdot e^{-\frac{step}{decay}}$
Виконайте випадкову дію з імовірністю $\varepsilon$
Виконайте дію з найбільшим значенням з імовірністю $1 - \varepsilon$

Графік, що показує спад ε для різних значень параметра decay.

Фіксовані Q-цілі

У помилці Беллмана:
- Q-мережа і для Q-значень, і для TD-цілі
- Нестабільність через змінну ціль

Додайте target-мережу, щоб стабілізувати ціль

Помилка Беллмана: (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)

Реалізація фіксованих Q-цілей

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

Спочатку Online Network = Target Network
Словник стану мережі містить усі ваги:
На кожному кроці кожна вага Target Network трохи наближається до Online Network

Обчислення втрат із фіксованими Q-цілями

# 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-значення обчислюються через online_network
Цільові Q-значення — через target_network
Використайте torch.no_grad(), щоб вимкнути градієнти для цільових Q-значень
Для втрат і далі використовуйте середньоквадратичну помилку Беллмана
Викликайте update_target_network(), щоб повільно оновлювати target_network

Давайте потренуємось!

Глибоке навчання з підкріпленням у Python