diff --git a/codes/DQN/README.md b/codes/DQN/README.md index a8e141b..ca3d6a9 100644 --- a/codes/DQN/README.md +++ b/codes/DQN/README.md @@ -1,35 +1,123 @@ -## 思路 +# DQN -见[我的博客](https://blog.csdn.net/JohnJim0/article/details/109557173) -## 环境 +## 原理简介 +DQN是Q-leanning算法的优化和延伸，Q-leaning中使用有限的Q表存储值的信息，而DQN中则用神经网络替代Q表存储信息，这样更适用于高维的情况，相关知识基础可参考[datawhale李宏毅笔记-Q学习](https://datawhalechina.github.io/leedeeprl-notes/#/chapter6/chapter6)。 -python 3.7.9 +论文方面主要可以参考两篇，一篇就是2013年谷歌DeepMind团队的[Playing Atari with Deep Reinforcement Learning](https://www.cs.toronto.edu/~vmnih/docs/dqn.pdf)，一篇是也是他们团队后来在Nature杂志上发表的[Human-level control through deep reinforcement learning](https://web.stanford.edu/class/psych209/Readings/MnihEtAlHassibis15NatureControlDeepRL.pdf)。后者在算法层面增加target q-net，也可以叫做Nature DQN。 -pytorch 1.6.0 +Nature DQN使用了两个Q网络，一个当前Q网络𝑄用来选择动作，更新模型参数，另一个目标Q网络𝑄′用于计算目标Q值。目标Q网络的网络参数不需要迭代更新，而是每隔一段时间从当前Q网络𝑄复制过来，即延时更新，这样可以减少目标Q值和当前的Q值相关性。 -tensorboard 2.3.0 +要注意的是，两个Q网络的结构是一模一样的。这样才可以复制网络参数。Nature DQN和[Playing Atari with Deep Reinforcement Learning](https://www.cs.toronto.edu/~vmnih/docs/dqn.pdf)相比，除了用一个新的相同结构的目标Q网络来计算目标Q值以外，其余部分基本是完全相同的。细节也可参考[强化学习（九）Deep Q-Learning进阶之Nature DQN](https://www.cnblogs.com/pinard/p/9756075.html)。 -torchvision 0.7.0 +https://blog.csdn.net/JohnJim0/article/details/109557173) -## 使用 +## 伪代码 -train: +img +## 代码实战 + +### RL接口 + +首先是强化学习训练的基本接口，即通用的训练模式： ```python -python main.py +for i_episode in range(MAX_EPISODES): + state = env.reset() # reset环境状态 + for i_step in range(MAX_STEPS): + action = agent.choose_action(state) # 根据当前环境state选择action + next_state, reward, done, _ = env.step(action) # 更新环境参数 + agent.memory.push(state, action, reward, next_state, done) # 将state等这些transition存入memory + agent.update() # 每步更新网络 + state = next_state # 跳转到下一个状态 + if done: + break ``` +如上，首先需要循环多个episode训练，在每个episode中，首先需要重置环境，然后开始探索，每个episode加一个MAX_STEPS(也可以使用while not done, 加这个max_steps有时是因为比如gym环境训练目标就是在200个step下达到200的reward)，接下来的流程如下： +1. agent选择动作 +2. 环境根据agent的动作反馈出新的state和reward +3. agent进行更新，如有memory就会将transition(包含state，reward，action等)存入memory中 +4. 跳转到下一个状态 +如果提前done了，就跳出for循环，进行下一个episode的训练。 -eval: - +### 两个Q网络 +前面讲了Nature DQN中有两个Q网络，一个是policy_net，一个是延时更新的target_net，两个网络的结构是一模一样的，如下(见```model.py```)： ```python -python main.py --train 0 -``` -可视化： -```python -tensorboard --logdir logs -``` +import torch.nn as nn +import torch.nn.functional as F -## Torch知识 +class FCN(nn.Module): + def __init__(self, n_states=4, n_actions=18): + """ 初始化q网络，为全连接网络 + n_states: 输入的feature即环境的state数目 + n_actions: 输出的action总个数 + """ + super(FCN, self).__init__() + self.fc1 = nn.Linear(n_states, 128) # 输入层 + self.fc2 = nn.Linear(128, 128) # 隐藏层 + self.fc3 = nn.Linear(128, n_actions) # 输出层 + + def forward(self, x): + # 各层对应的激活函数 + x = F.relu(self.fc1(x)) + x = F.relu(self.fc2(x)) + return self.fc3(x) +``` +输入为state，输出为action，注意根据state和action的维度调整隐藏层的层数，这里设为128 + +在```agent.py```中我们定义强化学习算法，包括```choose_action```和```update```两个主要函数，初始化中： +```python +self.policy_net = FCN(n_states, n_actions).to(self.device) +self.target_net = FCN(n_states, n_actions).to(self.device) +# target_net的初始模型参数完全复制policy_net +self.target_net.load_state_dict(self.policy_net.state_dict()) +self.target_net.eval() # 不启用 BatchNormalization 和 Dropout +# 可查parameters()与state_dict()的区别，前者require_grad=True +``` +可以看到policy_net跟target_net结构和初始参数一样，但在更新的时候target是每隔一段episode更新的，如下(见```main.py```)： +```python +# 更新target network，复制DQN中的所有weights and biases +if i_episode % cfg.target_update == 0: + agent.target_net.load_state_dict(agent.policy_net.state_dict()) +``` +可以调整```cfg.target_update```，注意该变量不要调得太大，否则会收敛很慢，我们最后保存的模型也是这个target_net，如下(见```agent.py```)： +```python +def save_model(self,path): + torch.save(self.target_net.state_dict(), path) +``` +### Replay Memory +然后就是Replay Memory了，如下(见```memory.py```)： +```python +import random +import numpy as np + +class ReplayBuffer: + + def __init__(self, capacity): + self.capacity = capacity + self.buffer = [] + self.position = 0 + + def push(self, state, action, reward, next_state, done): + if len(self.buffer) < self.capacity: + self.buffer.append(None) + self.buffer[self.position] = (state, action, reward, next_state, done) + self.position = (self.position + 1) % self.capacity + + def sample(self, batch_size): + batch = random.sample(self.buffer, batch_size) + state, action, reward, next_state, done = zip(*batch) + return state, action, reward, next_state, done + + def __len__(self): + return len(self.buffer) +``` +其实比较简单，主要包括push和sample两个步骤，push是将transitions放到memory中，sample是从memory随机抽取一些transition。 + +最后结果如下： + +![rewards_curve_train](assets/rewards_curve_train.png) + +## 参考 [with torch.no_grad()](https://www.jianshu.com/p/1cea017f5d11) diff --git a/codes/DQN/assets/rewards_curve_train.png b/codes/DQN/assets/rewards_curve_train.png new file mode 100644 index 0000000..a077d9d Binary files /dev/null and b/codes/DQN/assets/rewards_curve_train.png differ diff --git a/codes/DQN/assets/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0pvaG5KaW0w,size_16,color_FFFFFF,t_70.png b/codes/DQN/assets/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0pvaG5KaW0w,size_16,color_FFFFFF,t_70.png new file mode 100644 index 0000000..c55ac87 Binary files /dev/null and b/codes/DQN/assets/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0pvaG5KaW0w,size_16,color_FFFFFF,t_70.png differ diff --git a/codes/README.md b/codes/README.md index 90df45a..72d71f9 100644 --- a/codes/README.md +++ b/codes/README.md @@ -1,5 +1,5 @@ -[Eng](https://github.com/JohnJim0816/reinforcement-learning-tutorials/blob/master/README.md)|[中文](https://github.com/JohnJim0816/reinforcement-learning-tutorials/blob/master/README_cn.md) +[Eng](https://github.com/JohnJim0816/reinforcement-learning-tutorials/blob/master/README_en.md)|[中文](https://github.com/JohnJim0816/reinforcement-learning-tutorials/blob/master/README.md) ## 写在前面 @@ -18,27 +18,29 @@ ## 运行环境 -python 3.7.9、pytorch 1.6.0、gym 0.18.0 +python 3.7、pytorch 1.6.0-1.7.1、gym 0.17.0-0.18.0 ## 使用说明 -本repo使用到的[环境说明](https://github.com/JohnJim0816/reinforcement-learning-tutorials/blob/master/env_info.md)，在各算法目录下也有README说明 - +对应算法文件夹下运行```main.py```即可 ## 算法进度 -| 算法名称 | 相关论文材料 | 备注 | 进度 | -| :----------------------------------------------------------: | :---------------------------------------------------------: | :----------------------------------------------------------: | :--: | -| On-Policy First-Visit MC | | | OK | -| Q-Learning | | | OK | -| SARSA | | | OK | -| DQN | [DQN-paper](https://www.cs.toronto.edu/~vmnih/docs/dqn.pdf) | | OK | -| DQN-cnn | [DQN-paper](https://www.cs.toronto.edu/~vmnih/docs/dqn.pdf) | 与DQN相比使用了CNN而不是全链接网络 | OK | -| DoubleDQN | | 效果不好，待改进 | OK | -| Hierarchical DQN | [Hierarchical DQN](https://arxiv.org/abs/1604.06057) | | | -| PolicyGradient | | | OK | -| A2C | | | OK | -| [PPO](https://github.com/JohnJim0816/rl-tutorials/tree/master/PPO) | [PPO paper](https://arxiv.org/abs/1707.06347) | [PPO算法实战](https://blog.csdn.net/JohnJim0/article/details/115126363) | OK | -| DDPG | [DDPG Paper](https://arxiv.org/abs/1509.02971) | | OK | -| TD3 | [Twin Dueling DDPG Paper](https://arxiv.org/abs/1802.09477) | | | +| 算法名称 | 相关论文材料 | 环境 | 备注 | +| :--------------------------------------: | :---------------------------------------------------------: | ------------------------------------- | :--------------------------------: | +| [On-Policy First-Visit MC](./MonteCarlo) | | [Racetrack](./envs/racetrack_env.md) | | +| [Q-Learning](./QLearning) | | [CliffWalking-v0](./envs/gym_info.md) | | +| [Sarsa](./Sarsa) | | [Racetrack](./envs/racetrack_env.md) | | +| [DQN](./DQN) | [DQN-paper](https://www.cs.toronto.edu/~vmnih/docs/dqn.pdf) | [CartPole-v0](./envs/gym_info.md) | | +| DQN-cnn | [DQN-paper](https://www.cs.toronto.edu/~vmnih/docs/dqn.pdf) | [CartPole-v0](./envs/gym_info.md) | 与DQN相比使用了CNN而不是全链接网络 | +| [DoubleDQN](./DoubleDQN) | | [CartPole-v0](./envs/gym_info.md) | 效果不好，待改进 | +| Hierarchical DQN | [Hierarchical DQN](https://arxiv.org/abs/1604.06057) | | | +| [PolicyGradient](./PolicyGradient) | | [CartPole-v0](./envs/gym_info.md) | | +| A2C | | [CartPole-v0](./envs/gym_info.md) | | +| A3C | | | | +| SAC | | | | +| [PPO](./PPO) | [PPO paper](https://arxiv.org/abs/1707.06347) | [CartPole-v0](./envs/gym_info.md) | | +| DDPG | [DDPG Paper](https://arxiv.org/abs/1509.02971) | [Pendulum-v0](./envs/gym_info.md) | | +| TD3 | [Twin Dueling DDPG Paper](https://arxiv.org/abs/1802.09477) | | | +| GAIL | | | |