Q-learning

Reinforcement Learning with Gymnasium ใน Python

Fouad Trad

Machine Learning Engineer

แนะนำ Q-learning

ย่อมาจาก quality learning
เทคนิคแบบ model-free
เรียนรู้ Q-table ที่เหมาะสมผ่านการโต้ตอบกับสภาพแวดล้อม

ไดอะแกรมแสดงขั้นตอนของ Q-learning ได้แก่ การกำหนดค่าเริ่มต้น Q-table การเลือกการกระทำ การรับรางวัลจากสภาพแวดล้อม และการอัปเดตตาราง โดยตัวแทนวนซ้ำจนกว่าจะลู่เข้าหลังจากหลายตอน

Q-learning vs. SARSA

SARSA

ภาพแสดงสูตรคณิตศาสตร์ของกฎการอัปเดต SARSA

อัปเดตตามการกระทำที่เลือกจริง
ผู้เรียนแบบ on-policy

Q-learning

ภาพแสดงสูตรคณิตศาสตร์ของกฎการอัปเดต Q-learning

อัปเดตโดยไม่ขึ้นกับการกระทำที่เลือก
ผู้เรียนแบบ off-policy

การ implement Q-learning

env = gym.make("FrozenLake", is_slippery=True)


num_episodes = 1000
alpha = 0.1
gamma = 1


num_states, num_actions = env.observation_space.n, env.action_space.n
Q = np.zeros((num_states, num_actions))


reward_per_random_episode = []

การ implement Q-learning

for episode in range(num_episodes):
    state, info = env.reset()
    terminated = False
    episode_reward = 0

    while not terminated:

        # Random action selection
        action = env.action_space.sample()

        # Take action and observe new state and reward
        new_state, reward, terminated, truncated, info = env.step(action)

        # Update Q-table
        update_q_table(state, action, new_state)

        episode_reward += reward
        state = new_state

    reward_per_random_episode.append(episode_reward)

การอัปเดต Q-learning

ภาพแสดงสูตรคณิตศาสตร์ของกฎการอัปเดต Q-learning

def update_q_table(state, action, reward, new_state):

  old_value = Q[state, action]

  next_max = max(Q[new_state])

  Q[state, action] = (1 - alpha) * old_value + alpha * (reward + gamma * next_max)

การใช้งาน policy

reward_per_learned_episode = []

policy = get_policy()

for episode in range(num_episodes):
    state, info = env.reset()
    terminated = False
    episode_reward = 0
    while not terminated:
        # Select the best action based on learned Q-table
        action = policy[state]
        # Take action and observe new state
        new_state, reward, terminated, truncated, info = env.step(action)
        state = new_state

        episode_reward += reward

    reward_per_learned_episode.append(episode_reward)

การประเมินผล Q-learning

import numpy as np
import matplotlib.pyplot as plt


avg_random_reward = np.mean(reward_per_random_episode)
avg_learned_reward = np.mean(reward_per_learned_episode)


plt.bar(['Random Policy', 'Learned Policy'],
        [avg_random_reward, avg_learned_reward],
        color=['blue', 'green'])

plt.title('Average Reward per Episode')
plt.ylabel('Average Reward')
plt.show()

ภาพกราฟแท่งแสดงว่า learned policy ให้ผลตอบแทนเฉลี่ยสูงกว่า (ประมาณ 0.26) เมื่อเทียบกับ random policy (ประมาณ 0.01)

มาฝึกกันเถอะ!

Reinforcement Learning with Gymnasium ใน Python