DQN-by-keras-master.rar

import numpy as np from keras.layers import Dense, Input from keras.models import Model import keras from keras.optimizers import RMSprop ,adam from keras import backend as K np.random.seed(1) class DQN: # 初始值 def __init__( self, n_actions, n_features, learning_rate=0.01, reward_decay=0.9, e_greedy=0.9, replace_target_iter=300, memory_size=500, batch_size=32, e_greedy_increment=None, output_graph=False, ): self.n_actions = n_actions self.n_features = n_features self.lr = learning_rate self.gamma = reward_decay self.epsilon_max = e_greedy # epsilon 的最大值 self.replace_target_iter = replace_target_iter # 更换 target_net 的步数 self.memory_size = memory_size # 记忆上限 self.batch_size = batch_size # 每次更新时从 memory 里面取多少记忆出来 self.epsilon_increment = e_greedy_increment # epsilon 的增量 self.epsilon = 0 if e_greedy_increment is not None else self.epsilon_max # 是否开启探索模式, 并逐步减少探索次数 # 记录学习次数 (用于判断是否更换 target_net 参数) self.learn_step_counter = 0 # 初始化全 0 记忆 [s, a, r, s_] self.memory = np.zeros((self.memory_size, n_features * 2 + 2)) # 创建 [target_net, evaluate_net] self._build_net() self.cost_his = [] # 记录所有 cost 变化, 用于最后 plot 出来观看 def target_replace_op(self): v1 = self.model2.get_weights() self.model1.set_weights(v1) print("params has changed") def _build_net(self): # 构建evaluation网络 eval_inputs = Input(shape=(self.n_features,)) x = Dense(64, activation='relu')(eval_inputs) x = Dense(64, activation='relu')(x) self.q_eval = Dense(self.n_actions)(x) # 构建target网络，注意这个target层输出是q_next而不是，算法中的q_target target_inputs = Input(shape=(self.n_features,)) x = Dense(64, activation='relu')(target_inputs) x = Dense(64, activation='relu')(x) self.q_next = Dense(self.n_actions)(x) self.model1 = Model(target_inputs, self.q_next) self.model2 = Model(eval_inputs, self.q_eval) rmsprop = RMSprop(lr=self.lr) self.model1.compile(loss='mean_squared_error', optimizer=rmsprop, metrics=['accuracy']) self.model2.compile(loss='mean_squared_error', optimizer=rmsprop, metrics=['accuracy']) def store_transition(self, s, a, r, s_): if not hasattr(self, 'memory_counter'): self.memory_counter = 0 # 记录一条 [s, a, r, s_] 记录 transition = np.hstack((s, [a, r], s_)) # 总 memory 大小是固定的, 如果超出总大小, 旧 memory 就被新 memory 替换 index = self.memory_counter % self.memory_size self.memory[index, :] = transition # memory是一个二维列表 self.memory_counter += 1 def choose_action(self, observation): # 统一 observation 的 shape (1, size_of_observation) observation = np.array(observation) observation = observation[np.newaxis, :] if np.random.uniform() < self.epsilon: # 让 eval_net 神经网络生成所有 action 的值, 并选择值最大的 action actions_value = self.model1.predict(observation) action = np.argmax(actions_value) else: action = np.random.randint(0, self.n_actions) # 随机选择 return action def learn(self): # 检查是否替换 target_net 参数 if self.learn_step_counter % self.replace_target_iter == 0: self.target_replace_op() print('\ntarget_params_replaced\n') # 从 memory 中随机抽取 batch_size 这么多记忆 if self.memory_counter > self.memory_size: sample_index = np.random.choice(self.memory_size, size=self.batch_size) else: sample_index = np.random.choice(self.memory_counter, size=self.batch_size) batch_memory = self.memory[sample_index, :] # 获取 q_next (target_net 产生了 q) 和 q_eval(eval_net 产生的 q) q_next, q_eval = self.model1.predict(batch_memory[:, -self.n_features:]), self.model2.predict( batch_memory[:, :self.n_features]) # 下面这几步十分重要. q_next, q_eval 包含所有 action 的值, # 而我们需要的只是已经选择好的 action 的值, 其他的并不需要. # 所以我们将其他的 action 值全变成 0, 将用到的 action 误差值 反向传递回去, 作为更新凭据. # 这是我们最终要达到的样子, 比如 q_target - q_eval = [1, 0, 0] - [-1, 0, 0] = [2, 0, 0] # q_eval = [-1, 0, 0] 表示这一个记忆中有我选用过 action 0, 而 action 0 带来的 Q(s, a0) = -1, 所以其他的 Q(s, a1) = Q(s, a2) = 0. # q_target = [1, 0, 0] 表示这个记忆中的 r+gamma*maxQ(s_) = 1, 而且不管在 s_ 上我们取了哪个 action, # 我们都需要对应上 q_eval 中的 action 位置, 所以就将 1 放在了 action 0 的位置. # 下面也是为了达到上面说的目的, 不过为了更方面让程序运算, 达到目的的过程有点不同. # 是将 q_eval 全部赋值给 q_target, 这时 q_target-q_eval 全为 0, # 不过 我们再根据 batch_memory 当中的 action 这个 column 来给 q_target 中的对应的 memory-action 位置来修改赋值. # 使新的赋值为 reward + gamma * maxQ(s_), 这样 q_target-q_eval 就可以变成我们所需的样子. # 具体在下面还有一个举例说明. q_target = q_eval.copy() batch_index = np.arange(self.batch_size, dtype=np.int32) eval_act_index = batch_memory[:, self.n_features].astype(int) reward = batch_memory[:, self.n_features + 1] q_target[batch_index, eval_act_index] = reward + self.gamma * np.max(q_next, axis=1) """ 假如在这个 batch 中, 我们有2个提取的记忆, 根据每个记忆可以生产3个 action 的值: q_eval = [[1, 2, 3], [4, 5, 6]] q_target = q_eval = [[1, 2, 3], [4, 5, 6]] 然后根据 memory 当中的具体 action 位置来修改 q_target 对应 action 上的值: 比如在: 记忆 0 的 q_target 计算值是 -1, 而且我用了 action 0; 记忆 1 的 q_target 计算值是 -2, 而且我用了 action 2: q_target = [[-1, 2, 3], [4, 5, -2]] 所以 (q_target - q_eval) 就变成了: [[(-1)-(1), 0, 0], [0, 0, (-2)-(6)]] 最后我们将这个 (q_target - q_eval) 当成误差, 反向传递会神经网络. 所有为 0 的 action 值是当时没有选择的 action, 之前有选择的 action 才有不为0的值. 我们只反向传递之前选择的 action 的值, """ # # 训练 eval_net # _, self.cost = self.sess.run([self._train_op, self.loss], # feed_dict={self.s: batch_memory[:, :self.n_features], # self.q_target: q_target}) # self.cost_his.append(self.cost) # 记录 cost 误差 self.model2.fit(batch_memory[:, :self.n_features], q_target, epochs=10) self.epsilon = self.epsilon + self.epsilon_increment if self.epsilon < self.epsilon_max else self.epsilon_max self.learn_step_counter += 1 self.cost_his.append(eval_act_index) # 记录 cost 误差 def plot_cost(self): import matplotlib.pyplot as plt plt.plot(n