从零使用强化学习训练AI玩儿游戏(6)——使用DQN

上一篇我们使用了DQN来玩简单的走迷宫游戏，但是DQN能胜任比走迷宫游戏更复杂的游戏。这一篇我们就从GYM中选一款游戏来通过训练神经网络，让他自己玩。

我们选择CartPole这款游戏，在之前的Q-learning中我们有用过这款游戏，在Q-learning上效果非常的差。

由于CartPole这个游戏的reward是只要杆子是立起来的，他reward就是1，失败就是0，显然这个reward对于连续性变量是不可以接受的，所以我们通过observation修改这个值。点击pycharm右上角的搜索符号搜索CartPole进入他环境的源代码中，再进入step函数，看到里面返回值state的定义

x, x_dot, theta, theta_dot = state

通过这四个值定义新的reward是

x, x_dot, theta, theta_dot = observation_
r1 = (env.x_threshold - abs(x))/env.x_threshold - 0.8
r2 = (env.theta_threshold_radians - abs(theta))/env.theta_threshold_radians - 0.5
reward = r1 + r2

主程序是：

import gym
from RL_brain import DeepQNetwork

env = gym.make('CartPole-v0')
env = env.unwrapped

print(env.action_space)
print(env.observation_space)
print(env.observation_space.high)
print(env.observation_space.low)

RL = DeepQNetwork(n_actions=env.action_space.n,
                  n_features=env.observation_space.shape[0],
                  learning_rate=0.01, e_greedy=0.9,
                  replace_target_iter=100, memory_size=2000,
                  e_greedy_increment=0.001,)

total_steps = 0


for i_episode in range(100):

    observation = env.reset()
    ep_r = 0
    while True:
        env.render()

        action = RL.choose_action(observation)

        observation_, reward, done, info = env.step(action)

        # theta越小，越靠近中心，奖励应该越大
        x, x_dot, theta, theta_dot = observation_
        r1 = (env.x_threshold - abs(x))/env.x_threshold - 0.8
        r2 = (env.theta_threshold_radians - abs(theta))/env.theta_threshold_radians - 0.5
        reward = r1 + r2

        RL.store_transition(observation, action, reward, observation_)

        ep_r += reward
        if total_steps > 1000:
            RL.learn()

        if done:
            print('episode: ', i_episode,
                  'ep_r: ', round(ep_r, 2),
                  ' epsilon: ', round(RL.epsilon, 2))
            break

        observation = observation_
        total_steps += 1

RL.plot_cost()

因为这个游戏的观测值只有四个，输出值也只有一个，所以不需要太大的神经网络，还是用之前单细胞神经网络就行了代码在上一篇的最后。

在非常短的训练时间内我们就能很明显的看出训练效果，刚开始基本上没走几步就会掉下去，直到后来能坚持83.79秒，甚至到最后一直不掉下去。我们再返回去看一下Q-learning的表现效果，即使运算几十分钟仍然是立不起来的。

DQN的cost值如下图所示，只要参数调整的好整体是趋于下降的，但是由于随机性，和DQN的探索总是会有新的东西出来，所以有的时候会有突变，上下波动也比较大。

下一篇我们就要使用Keras搭建一个更复杂的神经网络，来玩一个更复杂的游戏。

从零使用强化学习训练AI玩儿游戏(6)——使用DQN

猜你喜欢