DQN算法实战

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。

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，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。后者在算法层面增加target q-net，也可以叫做Nature DQN。

Nature DQN使用了两个Q网络，一个当前Q网络?用来选择动作，更新模型参数，另一个目标Q网络?′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?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。

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。

代码实战

程序代码见github，这里简要说明一下思路。

强化学习基本接口

首先是强化学习训练的基本接口，即通用的训练模式：

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，为了避免无法收敛或者说无限循环的情况，每个episode加一个MAX_STEPS，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。
   
   

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)：

import torch.nn as nn import torch.nn.functional as F 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：

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)：

# 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)：

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)：

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。