策略梯度训练cartpole小游戏

# -*- coding: UTF-8 -*- """
Policy Gradient 算法（REINFORCE）。做决策的部分，相当于机器人的大脑
""" import numpy as np
import tensorflow as tf try:
xrange = xrange # Python 2
except:
xrange = range # Python 3 # 策略梯度 类
class PolicyGradient:
def __init__(self,
lr, # 学习速率
s_size, # state/observation 的特征数目
a_size, # action 的数目
h_size, # hidden layer（隐藏层）神经元数目
discount_factor=0.99 # 折扣因子
):
self.gamma = discount_factor # Reward 递减率 # 神经网络的前向传播部分。大脑根据 state 来选 action
self.state_in = tf.placeholder(shape=[None, s_size], dtype=tf.float32) # 第一层全连接层
hidden = tf.layers.dense(self.state_in, h_size, activation=tf.nn.relu) # 第二层全连接层，用 Softmax 来算概率
self.output = tf.layers.dense(hidden, a_size, activation=tf.nn.softmax) # 直接选择概率最大的那个 action
self.chosen_action = tf.argmax(self.output, 1) # 下面主要是负责训练的一些过程
# 我们给神经网络传递 reward 和 action，为了计算 loss
# 再用 loss 来调节神经网络的参数
self.reward_holder = tf.placeholder(shape=[None], dtype=tf.float32)
self.action_holder = tf.placeholder(shape=[None], dtype=tf.int32) self.indexes = tf.range(0, tf.shape(self.output)[0]) * tf.shape(self.output)[1] + self.action_holder
self.outputs = tf.gather(tf.reshape(self.output, [-1]), self.indexes) # 计算 loss（和平时说的 loss 不一样）有一个负号
# 因为 TensorFlow 自带的梯度下降只能 minimize（最小化）loss
# 而 Policy Gradient 里面是要让这个所谓的 loss 最大化
# 因此需要反一下。对负的去让它最小化，就是让它正向最大化
self.loss = -tf.reduce_mean(tf.log(self.outputs) * self.reward_holder) # 得到可被训练的变量
train_vars = tf.trainable_variables() self.gradient_holders = [] for index, var in enumerate(train_vars):
placeholder = tf.placeholder(tf.float32, name=str(index) + '_holder')
self.gradient_holders.append(placeholder) # 对 loss 以 train_vars 来计算梯度
self.gradients = tf.gradients(self.loss, train_vars) optimizer = tf.train.AdamOptimizer(learning_rate=lr)
# apply_gradients 是 minimize 方法的第二部分，应用梯度
self.update_batch = optimizer.apply_gradients(zip(self.gradient_holders, train_vars)) # 计算折扣后的 reward
# 公式： E = r1 + r2 * gamma + r3 * gamma * gamma + r4 * gamma * gamma * gamma ...
def discount_rewards(self, rewards):
discounted_r = np.zeros_like(rewards)
running_add = 0
for t in reversed(xrange(0, rewards.size)):
running_add = running_add * self.gamma + rewards[t]
discounted_r[t] = running_add
return discounted_r

# -*- coding: UTF-8 -*- """
游戏的主程序，调用机器人的 Policy Gradient 决策大脑
""" import numpy as np
import gym
import tensorflow as tf from policy_gradient import PolicyGradient # 伪随机数。为了能够复现结果
np.random.seed(1) env = gym.make('CartPole-v0')
env = env.unwrapped # 取消限制
env.seed(1) # 普通的 Policy Gradient 方法, 回合的方差比较大, 所以选一个好点的随机种子 print(env.action_space) # 查看这个环境中可用的 action 有多少个
print(env.observation_space) # 查看这个环境中 state/observation 有多少个特征值
print(env.observation_space.high) # 查看 observation 最高取值
print(env.observation_space.low) # 查看 observation 最低取值 update_frequency = 5 # 更新频率，多少回合更新一次
total_episodes = 3000 # 总回合数 # 创建 PolicyGradient 对象
agent = PolicyGradient(lr=0.01,
a_size=env.action_space.n, # 对 CartPole-v0 是 2, 两个 action，向左/向右
s_size=env.observation_space.shape[0], # 对 CartPole-v0 是 4
h_size=8) with tf.Session() as sess:
# 初始化所有全局变量
sess.run(tf.global_variables_initializer()) # 总的奖励
total_reward = [] gradient_buffer = sess.run(tf.trainable_variables())
for index, grad in enumerate(gradient_buffer):
gradient_buffer[index] = grad * 0 i = 0 # 第几回合
while i < total_episodes:
# 初始化 state（状态）
s = env.reset() episode_reward = 0
episode_history = [] while True:
# 更新可视化环境
env.render() # 根据神经网络的输出，随机挑选 action
a_dist = sess.run(agent.output, feed_dict={agent.state_in: [s]})
a = np.random.choice(a_dist[0], p=a_dist[0])
a = np.argmax(a_dist == a) # 实施这个 action, 并得到环境返回的下一个 state, reward 和 done(本回合是否结束)
s_, r, done, _ = env.step(a) # 这里的 r（奖励）不能准确引导学习 x, x_dot, theta, theta_dot = s_ # 把 s_ 细分开, 为了修改原配的 reward # x 是车的水平位移。所以 r1 是车越偏离中心, 分越少
# theta 是棒子离垂直的角度, 角度越大, 越不垂直。所以 r2 是棒越垂直, 分越高
r1 = (env.x_threshold - abs(x)) / env.x_threshold - 0.8
r2 = (env.theta_threshold_radians - abs(theta)) / env.theta_threshold_radians - 0.5
r = r1 + r2 # 总 reward 是 r1 和 r2 的结合, 既考虑位置, 也考虑角度, 这样学习更有效率 episode_history.append([s, a, r, s_]) episode_reward += r
s = s_ # Policy Gradient 是回合更新
if done: # 如果此回合结束
# 更新神经网络
episode_history = np.array(episode_history) episode_history[:, 2] = agent.discount_rewards(episode_history[:, 2]) feed_dict = {
agent.reward_holder: episode_history[:, 2],
agent.action_holder: episode_history[:, 1],
agent.state_in: np.vstack(episode_history[:, 0])
} # 计算梯度
grads = sess.run(agent.gradients, feed_dict=feed_dict) for idx, grad in enumerate(grads):
gradient_buffer[idx] += grad if i % update_frequency == 0 and i != 0:
feed_dict = dictionary = dict(zip(agent.gradient_holders, gradient_buffer)) # 应用梯度下降来更新参数
_ = sess.run(agent.update_batch, feed_dict=feed_dict) for index, grad in enumerate(gradient_buffer):
gradient_buffer[index] = grad * 0 total_reward.append(episode_reward)
break # 每 50 回合打印平均奖励
if i % 50 == 0:
print("回合 {} - {} 的平均奖励: {}".format(i, i + 50, np.mean(total_reward[-50:]))) i += 1