【深度强化学习】DQN：深度Q网络

前言

重读《Deep Reinforcemnet Learning Hands-on》， 常读常新， 极其深入浅出的一本深度强化学习教程。 本文的唯一贡献是对其进行了翻译和提炼， 加一点自己的理解组织成一篇中文笔记。

原英文书下载地址: 传送门 原代码地址： 传送门

第六章 DQN

DQN，其实是我看这本书的初衷， 大名鼎鼎的改变了强化学习领域的方法 。前一章中，我们熟悉了贝尔曼方程， 并介绍了值迭代方法。 虽然我们在FrokenLake游戏中， 很好地使用值迭代的方法解决了问题， 但在许多更复杂的情况下， 例如Atari游戏中， 状态的维度可能会爆炸——比如一张图片。 同时， 其中99%的状态可能只是在浪费时间——他们可能并不会出现在游戏中或很少出现。 总之， 这一系列问题使得看似成功的Q-learning方法很难找到适用的问题。 维度爆炸是其面临的最大挑战。

表格化的Q-learning

在值迭代算法中， 我们真的需要关心那些几乎不出现的state吗？ 因此， 我们其实可以省略掉这些值的迭代，或者说，我们更在意实际中出现的状态的动作Q值。 Q-learning就是这样的：

• 初始化一张空的Q表，行为状态， 列为动作， 每个格子代表当前状态时采用不同动作的Q值。
• 不断和环境交互， 得到s, a, r, s’ (状态，动作， 奖励， 新状态）。与环境的交互，我们一般采用这样的策略： 一定概率按当前已迭代的Q表进行决策， 一定概率按随机动作进行探索。
• 根据贝尔曼方程，更新Q值。 （利用上一步中获取的经验， 即s, a, r, s’） Q s , a ← r + γ max ⁡ a ′ ∈ A Q s ′ , a ′ Q_{s, a} \leftarrow r+\gamma \max _{a^{\prime} \in A} Q_{s^{\prime}, a^{\prime}} Qs,a​←r+γa′∈Amax​Qs′,a′​
• 一直重复步骤2,3， 完善Q表

为了训练更稳定， 我们也往往在第三步中采用如下的更新Q值方式： Q s , a ← ( 1 − α ) Q s , a + α ( r + γ max ⁡ a ′ ∈ A Q s ′ , a ′ ) Q_{s, a} \leftarrow(1-\alpha) Q_{s, a}+\alpha\left(r+\gamma \max _{a^{\prime} \in A} Q_{s^{\prime}, a^{\prime}}\right) Qs,a​←(1−α)Qs,a​+α(r+γa′∈Amax​Qs′,a′​) 有一个 α \alpha α参数代表学习率， 当 α = 1 \alpha=1 α=1时， Q值完全更新为新计算得到的Q值。 否则， 将在保留一部分历史Q值的基础上，进行修改微调。

Deep Q-learning

一如文章开头提到， 上一节中所说的Q-learning方法， 在面对复杂问题时显得非常挣扎——比如Atari游戏，存在的状态实在过多——而且均可能在游戏中出现，因此，用Q-learning直接去做，非常的复杂。 甚至在有些游戏如CartPole中， 状态的数目可能是无限的——因为部分参数值是连续值。

为了解决这个问题，我们可以换一种思路： 我们不再维护一张Q表， 并通过查表得到Q值。 相反， 我们试图得到一种非线性变换， 可以将输入的状态转变为相应动作的Q值。 许多读者可能已经猜到了， 这种在机器学习中很常见的“回归问题”，当下最流行的方法，就是使用神经网络来解决。 根据这一思路，我们提出了DQN的雏形：

• 基于一些初始的估计， 初始化Q网络 Q(s,a)
• 和环境交互， 获得 (s, a, r, s’)
• 计算损失值， L = ( Q s , a − ( r + γ max ⁡ a ′ ∈ A Q s ′ , a ′ ) ) 2 \mathcal{L}=\left(Q_{s, a}-\left(r+\gamma \max _{a^{\prime} \in A} Q_{s^{\prime}, a^{\prime}}\right)\right)^{2} L=(Qs,a​−(r+γa′∈Amax​Qs′,a′​))2
• 使用梯度下降法，优化Q网络， 降低损失值
• 从2步骤开始重复，直到收敛。

现在，传统Q-learning方法中的Q表，在这里就变成了神经网络， 其他部分其实是不变的——3和4步骤其实就是对应了Q-learning中的第3步——让更新的Q值（DQN中通过训练网络）尽可能满足贝尔曼方程。 这个算法看起来非常巧妙和简单， 但是，存在一些问题。

和环境的交互

显然，我们需要和环境进行交互， 获取足够的经验。 但是，如果简单地用随机的策略进行与环境的交互， 很可能会得到许多无用的经验——FrokenLake例子还好， 比如Atari的Pong游戏（乒乓游戏），赢一球才能得分——如果随机出板的话， 基本没有战胜电脑得分的可能性，也就是说， 绝大部分的经验都是无效的。 因此， 为了获取更多有效的策略， 我们可以用自己正在训练的Q网络来进行决策。

这样的话也有一个弊端， 如果Q网络本身训练的不够好，或者只是个局部优解， 因此，我们也需要对环境进行一些尝试和探索。

常用的就是 ϵ \epsilon ϵ-greedy方法——每次与环境交互时，有 ϵ \epsilon ϵ概率随机选择动作， 1 − ϵ 1-\epsilon 1−ϵ的概率通过Q网络选择动作。 训练开始的时候， 我们会设定 ϵ = 1 \epsilon=1 ϵ=1，即随机选择动作，进行初始化的经验积累。 后面随着训练的推进， 逐渐降低 ϵ \epsilon ϵ值， 慢慢降低到 2 % ∼ 5 % 2\% \sim 5\% 2%∼5%。

SGD优化

在DQN中，我们建立深度网络，而我们采用的优化方法也就是 最常用的 SGD， 随机梯度下降法。 但需要注意的是， SGD方法要求，训练样本应当满足 i.i.d.分布， 即independent and identically distributed， 独立同分布。

然而，在我们刚刚提出的算法中，无法满足这一条件：

• 我们的样本来自于同一局游戏，那么他们之间有很强的关联性。
• 我们的样本可能并不支撑我们训练最好的网络——样本并不来源于最优策略，而是通过 ϵ \epsilon ϵ-greedy策略获得。

为解决这一问题， 一种有效的方法叫 经验池 方法， 我们首先获取了大量的经验样本， 并将它们存在内存中（经验池中）。 然后在训练中， 我们每次从中取出一批样本，进行训练。同时，随着训练的推进，我们会不断更新新的经验， 而经验池的总大小是固定的，也就是说， 我们会加入新的经验，然后排出旧的经验。

经验池方法让我们可以尽可能地在不相关的数据上进行训练， 同时保持更新。

步骤间的相关性

根据贝尔曼公式：Q(s,a)的价值其实通过Q(s’, a’)给出。 然而，s和s’之间只相隔一个步骤，这就使得他们非常相似，且网络很难区分。 为了使得Q(s,a)的值更接近想要的结果， 我们会间接地改变了Q(s’, a’)的值， 这使得训练极其不稳定， 就像自己追着自己的尾巴。

因此，为了使训练更加稳定， 我们采取的策略是使用两个网络——Target目标网络和真正的Q网络。 我们训练的时候是训练真正的Q网络， 而此时产生的标签Q值，则是通过Target网络得到。 Target网络是真正的Q网络的复制， 但是有一个同步的时间差——即每经过N步训练后， 将Q网络复制给Target网络进行同步。 一般会选择10000步之后。

总结：规范的DQN流程

根据刚刚提到的DQN的挑战和相应的调整， 我们可以总结出规范的DQN流程：

• 随机初始化Q(s,a)网络和 Q ^ \hat{Q} Q^​网络，清空经验池
• ϵ \epsilon ϵ的概率随机选择动作， 否则 a = a r g m a x a Q ( s , a ) a=\mathrm{argmax}_a Q(s,a) a=argmaxa​Q(s,a)
• 执行动作a, 获得s’ 和 r
• 将 (s,a,r,s’)保存到经验池中。
• 从经验池中采用一组随机的经验 ( s i , a i , r i , s i ′ s_i,a_i,r_i,s'_i si​,ai​,ri​,si′​） i = 0 , . . . , n i=0, ...,n i=0,...,n
• 对于每一条经验，计算其标签值： y = r + γ max ⁡ a ′ ∈ A Q ^ s ′ , a ′ y=r+\gamma \max _{a^{\prime} \in A} \hat{Q}_{s^{\prime}, a^{\prime}} y=r+γmaxa′∈A​Q^​s′,a′​
• 计算损失函数值： L = ( Q s , a − y ) 2 \mathcal{L}=\left(Q_{s, a}-y\right)^{2} L=(Qs,a​−y)2
• 用SGD方法，更新Q(s,a)网络来最小化损失值。
• 每N步后， Q ^ = Q \hat{Q}=Q Q^​=Q
• 重复步骤2

用DQN方法，解决Pong游戏

代码详见 Chapter06/02_dqn_pong.py 由于pytorch版本的不同等原因， 有一些常见的bug，这里列出来，方便大家修改：

• 开头路径的修改 如果是直接clone的github库，路径上会报错， 在lib前加上Chapter06就行了。

#!/usr/bin/env python3
from Chapter06.lib import wrappers
from Chapter06.lib import dqn_model

• 类型报错 state_action_values = net(states_v).gather(1, actions_v.unsqueeze(-1)).squeeze(-1) 会报错。 这是因为类型不合，根据提示条件，如下修改即可：

b = actions_v.unsqueeze(-1).type(torch.LongTensor)
state_action_values = net(states_v).gather(1, b).squeeze(-1)

使用torch张量的内置方法 .type()，可以直接将张量修改成需要的类型。

还有一个会报警告的问题： next_state_values[done_mask] = 0 会报这样的错误： UserWarning: indexing with dtype torch.uint8 is now deprecated, please use a dtype torch.bool instead. 在此之前插入一句类型转换即可：

done_mask = done_mask.bool()
next_state_values[done_mask] = 0

对Gym游戏的装饰

• 每局Gym游戏可以被切分成几个部分——比如某些游戏，玩家有多条命，可以将一个episode拆分成多个部分。
• 每K帧做一个动作决策——K经常取3或4， 可以理解为这3，4帧中， 重复了同一个动作。 这可以加速训练——因为用神经网络去处理每一帧会显得很耗时，而且提升极小。
• 取最新的两帧的每个像素点的最大值作为观测。可以有效解决Atari游戏偶尔的闪烁情况。
• 有些游戏要求玩家开始游戏时要按下一个“FIRE”button，这个显然可以让网络去学习去按。 但从方便角度出发，我们之间用Gym的装饰器来实现。
• 把每帧 210 × 160 210\times 160 210×160大小的三色图片， 缩小处理为 84 × 84 84\times 84 84×84的单色图片。
• 把几个连续帧叠加在一起给网络，让网络获得动态的游戏信息。
• 把不同游戏的奖励， 统一归一化到 -1到1之间。
• 0~255的颜色值， 会被归一化到0 ~1之间。

DQN模型代码

import torch
import torch.nn as nn

import numpy as np


class DQN(nn.Module):
    def __init__(self, input_shape, n_actions):
        super(DQN, self).__init__()

        self.conv = nn.Sequential(
            nn.Conv2d(input_shape[0], 32, kernel_size=8, stride=4),
            nn.ReLU(),
            nn.Conv2d(32, 64, kernel_size=4, stride=2),
            nn.ReLU(),
            nn.Conv2d(64, 64, kernel_size=3, stride=1),
            nn.ReLU()
        )

        conv_out_size = self._get_conv_out(input_shape)
        self.fc = nn.Sequential(
            nn.Linear(conv_out_size, 512),
            nn.ReLU(),
            nn.Linear(512, n_actions)
        )

    def _get_conv_out(self, shape):
        o = self.conv(torch.zeros(1, *shape))
        return int(np.prod(o.size()))

    def forward(self, x):
        conv_out = self.conv(x).view(x.size()[0], -1)
        return self.fc(conv_out)

使用pytorch库， 将整个网络分成了两部分：输入的图像先经过卷积网络，即self.conv，然后通过self.conv(x).view(x.size()[0], -1),将卷积层提取的3维张量，展开成一维张量，也就是类似于tensorflow中Flatten层的工作。 最后，再通过定义的全连接层即可。最终输出的是一个一维张量，维度为动作总数， 每个值就代表对应动作的Q值。

训练的代码详见Github库， 这里具体说下几个重要的部分：

经验池

Experience = collections.namedtuple('Experience', field_names=['state', 'action', 'reward', 'done', 'new_state'])


class ExperienceBuffer:
    def __init__(self, capacity):
        self.buffer = collections.deque(maxlen=capacity)

    def __len__(self):
        return len(self.buffer)

    def append(self, experience):
        self.buffer.append(experience)

    def sample(self, batch_size):
        indices = np.random.choice(len(self.buffer), batch_size, replace=False)
        states, actions, rewards, dones, next_states = zip(*[self.buffer[idx] for idx in indices])
        return np.array(states), np.array(actions), np.array(rewards, dtype=np.float32), \
               np.array(dones, dtype=np.uint8), np.array(next_states)

首先，这里用collections.deque()来创建经验池。collections.deque()的特点是一个队列——有一个固定的长度，当经验池的大小超出队列长度时，会自动将最老的经验踢出，保持总长度不变。 其余用法类似列表。同时，经验池的每条经验用collections.namedtuple命名元组来实现。 经验池通过append方法，往池里添加新经验。 最后，经验池实现了sample方法， 从经验池中提取一小组训练样本。

Agent

class Agent:
    def __init__(self, env, exp_buffer):
        self.env = env
        self.exp_buffer = exp_buffer
        self._reset()

    def _reset(self):
        self.state = env.reset()
        self.total_reward = 0.0

    def play_step(self, net, epsilon=0.0, device="cpu"):
        done_reward = None

        if np.random.random()  args.reward:
                print("Solved in %d frames!" % frame_idx)
                break

        if len(buffer)