深度学习学习履历——强化学习（rl）
强化学习强化学习（Reinforcement Learning, RL）是一种机器学习方法，重要用于让智能体（agent）通过与环境的互动，逐步学习如何在不恻隐况下采取最佳办法，以最大化其获得的累积回报。与监督学习和无监督学习不同，强化学习并不依靠于已标注的数据集，而是通过智能体在环境中的探索和试错来学习最优策略。
强化学习的重要特点：
[*] 基于试错学习：强化学习中的智能体通过与环境的互动，不断实行不同的办法，并根据办法结果（即从环境中获得的回报）来调整未来的决议。这个过程通常被称为“试错”学习。
[*] 累积回报：强化学习的目标是找到一种策略，使得智能体在长时间内可以或许获得最大的累积回报。智能体不但要关注即时的回报，还需要考虑未来的回报，如何权衡当前的办法与未来的回报是强化学习中的一个关键题目。
[*] 反馈信号（奖励）：智能体从环境中吸收到的反馈通常是一个奖励信号，用于指引它的举动。奖励信号可以是正的，也可以是负的，正如一个人可以因做对了事而获得奖励，也可以因犯错而受到惩罚。
[*] 探索与利用的平衡：在强化学习中，智能体需要在探索新的办法（探索）与利用已知信息（利用）之间找到平衡。过多的探索大概导致时间浪费，而过多的利用大概导致智能体陷入局部最优解。
[*] 状态与办法空间：强化学习通常在状态空间（state space）和办法空间（action space）中举行。状态空间表示环境的全部大概状态，办法空间表示智能体在每个状态下可以采取的办法。如何有效地在这些空间中找到最优策略是强化学习的核心挑战之一。
[*] 策略与价值函数：强化学习中的策略（policy）是指智能体在每个状态下选择办法的规则，而价值函数（value function）则评估了在某一状态下采取某一办法所期望获得的累积回报。
实际应用
强化学习在机器人控制、游戏AI、自动驾驶、智能交易系统等领域有广泛的应用。比方，AlphaGo利用了强化学习来学习如何下围棋，并成功降服了人类冠军。
强化学习实践案例——贪吃蛇游戏
让我们从零开始，通过一个简朴而经典的游戏——贪吃蛇（Snake Game），来逐步了解强化学习的基本概念和如何利用PyTorch实现它。
第一步：明白强化学习的基本概念
在强化学习中，智能体（agent） 在一个 环境（environment） 中不断地做出决议，这些决议被称为 办法（actions）。环境会根据智能体的办法给予反馈，这个反馈通常是一个 奖励（reward）。智能体的目标是通过选择适当的办法来最大化其获得的累积奖励。
在贪吃蛇游戏中：
[*]环境：游戏的棋盘和蛇的状态（位置、方向等）。
[*]智能体：控制蛇移动的程序。
[*]办法：上、下、左、右移动。
[*]奖励：吃到食品时获得正奖励；撞墙或撞到自己时获得负奖励。
第二步：环境搭建
首先，我们需要创建一个简朴的贪吃蛇游戏环境。这个环境将包罗蛇的状态（位置、方向等）以及食品的位置。
import numpy as np
import random
import torch
class SnakeGame:
def __init__(self, grid_size=10):
self.grid_size = grid_size
self.reset()
def reset(self):
self.snake = [(self.grid_size // 2, self.grid_size // 2)]
self.direction = (0, 1)# Start by moving right
self.food = self._place_food()
self.done = False
return self._get_observation()
def _place_food(self):
while True:
food = (random.randint(0, self.grid_size - 1), random.randint(0, self.grid_size - 1))
if food not in self.snake:
return food
def _get_observation(self):
obs = np.zeros((self.grid_size, self.grid_size))
for x, y in self.snake:
obs = 1
obs, self.food] = 2
return obs
def step(self, action):
if action == 0:# Up
self.direction = (-1, 0)
elif action == 1:# Down
self.direction = (1, 0)
elif action == 2:# Left
self.direction = (0, -1)
elif action == 3:# Right
self.direction = (0, 1)
head = (self.snake + self.direction, self.snake + self.direction)
if (head in self.snake) or (head < 0 or head >= self.grid_size) or (head < 0 or head >= self.grid_size):
self.done = True
return self._get_observation(), -10, self.done# Collision: negative reward
self.snake = + self.snake[:-1]
if head == self.food:
self.snake.append(self.snake[-1])# Grow
self.food = self._place_food()
return self._get_observation(), 10, self.done# Food eaten: positive reward
return self._get_observation(), 0, self.done# Neutral step
第三步：界说强化学习的智能体
我们将利用一个简朴的神经网络作为我们的智能体，它将输入贪吃蛇游戏的状态，输出每个大概的动作的“价值”（即采取该办法的预期回报）。在强化学习中，我们通常利用 Q-learning 算法来练习这个网络。
import torch.nn as nn
import torch.optim as optim
class DQN(nn.Module):
def __init__(self, grid_size, num_actions):
super(DQN, self).__init__()
self.fc1 = nn.Linear(grid_size * grid_size, 128)# 第一层全连接层，输入大小为网格大小平方
self.fc2 = nn.Linear(128, 64)# 第二层全连接层
self.fc3 = nn.Linear(64, num_actions)# 输出层，输出动作的Q值
def forward(self, x):
batch_size = x.size(0)# 获取批次大小
x = x.view(batch_size, -1)# 将输入展平为 (batch_size, grid_size * grid_size)
x = torch.relu(self.fc1(x))# 经过第一层全连接并ReLU激活
x = torch.relu(self.fc2(x))# 经过第二层全连接并ReLU激活
return self.fc3(x)# 输出动作的Q值
# 计算输入张量的展平后的特征数目
def num_flat_features(self, x):
size = x.size()# 除去批次维度，计算特征维度的大小
num_features = 1
for s in size:
num_features *= s
return num_features
# Initialize DQN
grid_size = 10
num_actions = 4# Up, Down, Left, Right
dqn = DQN(grid_size, num_actions)
optimizer = optim.Adam(dqn.parameters(), lr=0.001)
loss_fn = nn.MSELoss()
第四步：练习智能体
在这个步骤中，我们将利用贪吃蛇的游戏状态作为输入，通过神经网络推测各个办法的价值，并选择价值最高的办法。然后，我们利用Q-learning来更新神经网络的参数。
def train(game, dqn, optimizer, loss_fn, episodes=1000, gamma=0.9):
for episode in range(episodes):
state = torch.tensor(game.reset(), dtype=torch.float32).unsqueeze(0)# 添加批次维度
total_reward = 0
while True:
q_values = dqn(state)# 预测当前状态的Q值
action = torch.argmax(q_values).item()# 选择Q值最大的动作
next_state, reward, done = game.step(action)# 执行动作并获得下一状态和奖励
next_state = torch.tensor(next_state, dtype=torch.float32).unsqueeze(0)# 将下一状态转换为张量并添加批次维度
with torch.no_grad():
max_next_q_values = torch.max(dqn(next_state))# 计算下一状态的最大Q值
target = reward + gamma * max_next_q_values * (1 - int(done))# 计算目标Q值
loss = loss_fn(q_values, target)# 计算损失
optimizer.zero_grad()# 梯度清零
loss.backward()# 反向传播
optimizer.step()# 更新网络参数
state = next_state# 更新当前状态
total_reward += reward
if done:# 如果游戏结束，退出循环
break
print(f"Episode {episode + 1}/{episodes} - Total Reward: {total_reward}")# 输出当前回合的总奖励
# Train the agent
game = SnakeGame(grid_size)
train(game, dqn, optimizer, loss_fn, episodes=1000)
第五步：评估和可视化
练习完智能体后，我们可以让它在游戏中实行跑几局，并观察它的表现。以下代码展示了如何评估智能体并可视化它的表现。
import matplotlib.pyplot as plt
def evaluate(game, dqn, episodes=10):
for episode in range(episodes):
state = torch.tensor(game.reset(), dtype=torch.float32).unsqueeze(0)# 添加批次维度
total_reward = 0
steps = 0
plt.figure()# 创建新的图像窗口
while True:
q_values = dqn(state)# 预测当前状态的Q值
action = torch.argmax(q_values).item()# 选择Q值最大的动作
next_state, reward, done = game.step(action)# 执行动作并获得下一状态和奖励
state = torch.tensor(next_state, dtype=torch.float32).unsqueeze(0)# 将下一状态转换为张量并添加批次维度
total_reward += reward
steps += 1
# Visualization (Optional)
plt.imshow(state.squeeze(0).numpy())# 去掉批次维度进行显示
plt.axis('off')# 隐藏坐标轴
plt.pause(0.1)# 短暂停留以更新视图
if done:
print(f"Episode {episode + 1}/{episodes} - Total Reward: {total_reward} - Steps: {steps}")
break
plt.close()# 关闭图像窗口
最终代码汇总
import numpy as np
import random
import torch
import torch.nn as nn
import torch.optim as optim
import matplotlib.pyplot as plt
# 定义贪吃蛇游戏环境
class SnakeGame:
def __init__(self, grid_size=10):
self.grid_size = grid_size
self.reset()
# 重置游戏状态，初始化蛇的位置和食物的位置
def reset(self):
self.snake = [(self.grid_size // 2, self.grid_size // 2)]# 蛇的初始位置在网格的中央
self.direction = (0, 1)# 蛇的初始移动方向为向右
self.food = self._place_food()# 随机放置食物
self.done = False
return self._get_observation()
# 随机生成一个食物位置，确保不与蛇的身体重叠
def _place_food(self):
while True:
food = (random.randint(0, self.grid_size - 1), random.randint(0, self.grid_size - 1))
if food not in self.snake:
return food
# 获取当前游戏状态，返回一个网格表示的观察值
def _get_observation(self):
obs = np.zeros((self.grid_size, self.grid_size))# 初始化一个全0的网格
for x, y in self.snake:
obs = 1# 用1表示蛇的身体
obs, self.food] = 2# 用2表示食物的位置
return obs
# 游戏的主要逻辑：根据动作更新蛇的状态
def step(self, action):
if action == 0:# 上
self.direction = (-1, 0)
elif action == 1:# 下
self.direction = (1, 0)
elif action == 2:# 左
self.direction = (0, -1)
elif action == 3:# 右
self.direction = (0, 1)
# 更新蛇头的位置
head = (self.snake + self.direction, self.snake + self.direction)
# 如果蛇撞到自己或墙壁，游戏结束
if (head in self.snake) or (head < 0 or head >= self.grid_size) or (head < 0 or head >= self.grid_size):
self.done = True
return self._get_observation(), -10, self.done# 碰撞：给予负奖励
# 更新蛇的身体
self.snake = + self.snake[:-1]
# 如果蛇吃到食物
if head == self.food:
self.snake.append(self.snake[-1])# 蛇的身体增长
self.food = self._place_food()# 重新放置食物
return self._get_observation(), 10, self.done# 吃到食物：给予正奖励
return self._get_observation(), 0, self.done# 普通移动：奖励为0
# 定义DQN（深度Q网络）模型
class DQN(nn.Module):
def __init__(self, grid_size, num_actions):
super(DQN, self).__init__()
self.fc1 = nn.Linear(grid_size * grid_size, 128)# 第一层全连接层，输入大小为网格大小平方
self.fc2 = nn.Linear(128, 64)# 第二层全连接层
self.fc3 = nn.Linear(64, num_actions)# 输出层，输出动作的Q值
def forward(self, x):
batch_size = x.size(0)# 获取批次大小
x = x.view(batch_size, -1)# 将输入展平为 (batch_size, grid_size * grid_size)
x = torch.relu(self.fc1(x))# 经过第一层全连接并ReLU激活
x = torch.relu(self.fc2(x))# 经过第二层全连接并ReLU激活
return self.fc3(x)# 输出动作的Q值
# 计算输入张量的展平后的特征数目
def num_flat_features(self, x):
size = x.size()# 除去批次维度，计算特征维度的大小
num_features = 1
for s in size:
num_features *= s
return num_features
# 初始化DQN
grid_size = 10
num_actions = 4# 上、下、左、右四个动作
dqn = DQN(grid_size, num_actions)
optimizer = optim.Adam(dqn.parameters(), lr=0.00001)# 使用Adam优化器
loss_fn = nn.MSELoss()# 使用均方误差损失函数
# 训练智能体
def train(game, dqn, optimizer, loss_fn, episodes=1000, gamma=0.9):
for episode in range(episodes):
state = torch.tensor(game.reset(), dtype=torch.float32).unsqueeze(0)# 添加批次维度
total_reward = 0
while True:
q_values = dqn(state)# 预测当前状态的Q值
action = torch.argmax(q_values).item()# 选择Q值最大的动作
next_state, reward, done = game.step(action)# 执行动作并获得下一状态和奖励
next_state = torch.tensor(next_state, dtype=torch.float32).unsqueeze(0)# 将下一状态转换为张量并添加批次维度
with torch.no_grad():
max_next_q_values = torch.max(dqn(next_state))# 计算下一状态的最大Q值
target = reward + gamma * max_next_q_values * (1 - int(done))# 计算目标Q值
loss = loss_fn(q_values, target)# 计算损失
optimizer.zero_grad()# 梯度清零
loss.backward()# 反向传播
optimizer.step()# 更新网络参数
state = next_state# 更新当前状态
total_reward += reward
if done:# 如果游戏结束，退出循环
break
print(f"Episode {episode + 1}/{episodes} - Total Reward: {total_reward}")# 输出当前回合的总奖励
# 训练智能体
game = SnakeGame(grid_size)
train(game, dqn, optimizer, loss_fn, episodes=10000)# 开始训练
# Step 5: Evaluate the Agent
def evaluate(game, dqn, episodes=10):
for episode in range(episodes):
state = torch.tensor(game.reset(), dtype=torch.float32).unsqueeze(0)# 添加批次维度
total_reward = 0
steps = 0
plt.figure()# 创建新的图像窗口
while True:
q_values = dqn(state)# 预测当前状态的Q值
action = torch.argmax(q_values).item()# 选择Q值最大的动作
next_state, reward, done = game.step(action)# 执行动作并获得下一状态和奖励
state = torch.tensor(next_state, dtype=torch.float32).unsqueeze(0)# 将下一状态转换为张量并添加批次维度
total_reward += reward
steps += 1
# Visualization (Optional)
plt.imshow(state.squeeze(0).numpy())# 去掉批次维度进行显示
plt.axis('off')# 隐藏坐标轴
plt.pause(0.1)# 短暂停留以更新视图
if done:
print(f"Episode {episode + 1}/{episodes} - Total Reward: {total_reward} - Steps: {steps}")
break
plt.close()# 关闭图像窗口
# Evaluate the trained agent
evaluate(game, dqn)
通过这个贪吃蛇的例子，我们逐步了解了强化学习的概念，并通过利用PyTorch实现了一个简朴的强化学习智能体。这种方法不但实用于贪吃蛇游戏，也可以扩展到更复杂的环境和任务中。
如何进步练习效果（调整参数）
在强化学习过程中，有多个参数可以举行调整，以进步练习效果和智能体的表现。以下是一些关键参数和调整建议：
1. 学习率（Learning Rate）
[*]界说：学习率决定了模型在每次参数更新时的步长。太高的学习率大概导致模型不收敛，而太低的学习率大概使练习过程非常缓慢。
[*]调整建议：通常在0.001到0.00001之间举行调整。可以通过逐步减小学习率（比方利用学习率衰减策略）来进步练习的稳定性。
optimizer = optim.Adam(dqn.parameters(), lr=0.0005)# 例如，减小学习率
2. 折扣因子（Discount Factor, γ）
[*]界说：折扣因子决定了智能体在优化过程中对未来奖励的器重程度。γ 值靠近1时，智能体会更加注重长远的回报；γ 值靠近0时，智能体则更关注短期的回报。
[*]调整建议：γ 通常设置在0.9到0.99之间。对于较短的游戏或回报立即显现的任务，可以选择较低的 γ 值。
train(game, dqn, optimizer, loss_fn, episodes=1000, gamma=0.95)# 例如，稍微降低 γ
3. 探索与利用的平衡（Exploration vs Exploitation）
[*]界说：在强化学习中，智能体需要在探索新策略和利用已知策略之间找到平衡。常用的探索策略有 ε-greedy，其中 ε 是智能体随机选择办法的概率。
[*]调整建议：可以设置一个较高的初始 ε 值（比方0.9），然后逐步减小，淘汰随机探索的次数。也可以引入更多先辈的策略，如 UCB 或 Boltzmann 探索。
epsilon = 0.9# 初始探索率
decay_rate = 0.995# 衰减率
for episode in range(episodes):
epsilon = max(epsilon * decay_rate, 0.01)# 确保 epsilon 最小为 0.01
# 其余代码保持不变
4. 履历回放（Experience Replay）
[*]界说：履历回放存储智能体在环境中经历的状态、办法、奖励和下一状态。练习时从这些存储的履历中随机抽取一个批次举行学习，从而进步练习的效率和稳定性。
[*]调整建议：增加履历回放的批次巨细或扩展履历回放池的容量，可以帮助智能体更有效地学习。
from collections import deque
replay_memory = deque(maxlen=10000)# 扩展经验回放池的容量
def train(game, dqn, optimizer, loss_fn, episodes=1000, gamma=0.99, batch_size=64):
for episode in range(episodes):
state = torch.tensor(game.reset(), dtype=torch.float32)
total_reward = 0
while True:
if random.random() < epsilon:
action = random.randint(0, num_actions - 1)
else:
q_values = dqn(state)
action = torch.argmax(q_values).item()
next_state, reward, done = game.step(action)
next_state = torch.tensor(next_state, dtype=torch.float32)
replay_memory.append((state, action, reward, next_state, done))
# 开始经验回放训练
if len(replay_memory) > batch_size:
minibatch = random.sample(replay_memory, batch_size)
for s, a, r, ns, d in minibatch:
q_values = dqn(s)
with torch.no_grad():
max_next_q_values = torch.max(dqn(ns))
target = r + gamma * max_next_q_values * (1 - int(d))
loss = loss_fn(q_values, target)
optimizer.zero_grad()
loss.backward()
optimizer.step()
state = next_state
total_reward += reward
if done:
break
print(f"Episode {episode + 1}/{episodes} - Total Reward: {total_reward}")
5. 练习轮数（Number of Episodes）
[*]界说：练习轮数决定了智能体在环境中练习的总次数。
[*]调整建议：增加练习轮数通常会进步模型的表现，特别是在练习的早期阶段。如果练习过程过长，大概会导致过拟合题目，因此要留意在增加练习轮数的同时监控模型性能。
train(game, dqn, optimizer, loss_fn, episodes=5000)# 增加训练轮数
6. 奖励函数（Reward Function）
[*]界说：奖励函数是强化学习中非常关键的一部分，它直接影响到智能体的举动。不同的奖励设计会引导智能体做出不同的决议。
[*]调整建议：可以通过修改奖励函数来更加正确地引导智能体的举动。比方，给予更多的奖励当蛇靠近食品，大概淘汰每一步办法的惩罚，从而激励智能体更积极地去靠近食品。
def step(self, action):
if action == 0:# Up
self.direction = (-1, 0)
elif action == 1:# Down
self.direction = (1, 0)
elif action == 2:# Left
self.direction = (0, -1)
elif action == 3:# Right
self.direction = (0, 1)
head = (self.snake + self.direction, self.snake + self.direction)
if (head in self.snake) or (head < 0 or head >= self.grid_size) or (head < 0 or head >= self.grid_size):
self.done = True
return self._get_observation(), -10, self.done# Collision: negative reward
self.snake = + self.snake[:-1]
if head == self.food:
self.snake.append(self.snake[-1])# Grow
self.food = self._place_food()
return self._get_observation(), 10, self.done# Food eaten: positive reward
# 距离食物近一步，给出微小奖励
dist = abs(head - self.food) + abs(head - self.food)
reward = 1.0 / (dist + 1)# 距离越近，奖励越大
return self._get_observation(), reward, self.done# Neutral step
通过这些参数的调整，你可以进步练习的效果和智能体的表现。每个参数的调整对练习结果都有大概产生明显的影响，因此建议在调整时逐步举行，并仔细观察练习的变化环境。
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]