Double Q-learning

Reinforcement Learning with Gymnasium ใน Python

Fouad Trad

Machine Learning Engineer

Q-learning

  • ประมาณค่าฟังก์ชัน action-value ที่เหมาะสมที่สุด
  • ประเมิน Q-value สูงเกินจริง เนื่องจากอัปเดตด้วยค่า max Q
  • อาจทำให้การเรียนรู้นโยบายไม่เหมาะสม

 

ภาพแสดงสูตรคณิตศาสตร์ของกฎการอัปเดต Q-learning

Reinforcement Learning with Gymnasium ใน Python

Double Q-learning

  • มี Q-table สองตาราง
  • แต่ละตารางอัปเดตโดยอิงจากอีกตาราง
  • ลดความเสี่ยงของการประเมิน Q-value สูงเกินจริง

ภาพแสดง Q-table สองตาราง คือ Q0 และ Q1 โดยแต่ละตารางอัปเดตโดยอิงจากอีกตาราง

Reinforcement Learning with Gymnasium ใน Python

การอัปเดต Double Q-learning

  • สุ่มเลือกตาราง

ภาพแสดง Q-table สองตาราง คือ Q0 และ Q1 โดยแต่ละตารางอัปเดตโดยอิงจากอีกตาราง

Reinforcement Learning with Gymnasium ใน Python

การอัปเดต Q0

ภาพแสดง Q-table สองตาราง คือ Q0 และ Q1 โดยแต่ละตารางอัปเดตโดยอิงจากอีกตาราง

ภาพแสดงวิธีหา action ถัดไปที่ดีที่สุดเมื่ออัปเดต Q0

ภาพแสดงกฎการอัปเดตของ Q0

Reinforcement Learning with Gymnasium ใน Python

การอัปเดต Q1

ภาพแสดง Q-table สองตาราง คือ Q0 และ Q1 โดยแต่ละตารางอัปเดตโดยอิงจากอีกตาราง

ภาพแสดงวิธีหา action ถัดไปที่ดีที่สุดเมื่ออัปเดต Q1

ภาพแสดงกฎการอัปเดตของ Q1

Reinforcement Learning with Gymnasium ใน Python

Double Q-learning

ภาพแสดง Q-table สองตาราง คือ Q1 และ Q2 โดยแต่ละตารางอัปเดตโดยอิงจากอีกตาราง

  • ลด overestimation bias
  • สลับกันอัปเดตระหว่าง Q0 และ Q1
  • ทั้งสองตารางมีส่วนร่วมในกระบวนการเรียนรู้
Reinforcement Learning with Gymnasium ใน Python

การใช้งานกับ Frozen Lake

env = gym.make('FrozenLake-v1', 
               is_slippery=False)

num_states = env.observation_space.n
n_actions = env.action_space.n
Q = [np.zeros((num_states, n_actions))] * 2


num_episodes = 1000
alpha = 0.5
gamma = 0.99

ภาพแสดง agent กำลังนำทางในสภาพแวดล้อม Frozen Lake

Reinforcement Learning with Gymnasium ใน Python

การสร้าง update_q_tables()

def update_q_tables(state, action, reward, next_state):
    # Select a random Q-table index (0 or 1)
    i = np.random.randint(2)

    # Update the corresponding Q-table
    best_next_action = np.argmax(Q[i][next_state])

    Q[i][state, action] = (1 - alpha) * Q[i][state, action] 
                          + alpha * (reward + gamma * Q[1-i][next_state, best_next_action])

ภาพแสดงกฎการอัปเดตของ Q1

ภาพแสดงกฎการอัปเดตของ Q2

Reinforcement Learning with Gymnasium ใน Python

การฝึก

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

    while not terminated:
        action = np.random.choice(n_actions)  
        next_state, reward, terminated, truncated,  info = env.step(action)
        update_q_tables(state, action, reward, next_state)
        state = next_state


final_Q = (Q[0] + Q[1])/2
# OR
final_Q = Q[0] + Q[1]
Reinforcement Learning with Gymnasium ใน Python

นโยบายของ agent

policy = {state: np.argmax(final_Q[state]) 
          for state in range(num_states)}
print(policy)

{ 0: 1,  1: 0,  2: 0,  3: 0, 
  4: 1,  5: 0,  6: 1,  7: 0, 
  8: 2,  9: 1, 10: 1, 11: 0, 
 12: 0, 13: 2, 14: 2, 15: 0}

ภาพแสดงนโยบายที่ agent เรียนรู้ได้ แสดง action ที่ควรทำในแต่ละ state

Reinforcement Learning with Gymnasium ใน Python

มาฝึกกันเถอะ!

Reinforcement Learning with Gymnasium ใน Python

Preparing Video For Download...