​

代码链接：码云：​​https://gitee.com/dingding962285595/parl_work​​​  ；github：​​https://github.com/PaddlePaddle/PARL​​

​​一、AI Studio 项目详解【VisualDL工具】​​

​​二、AI Studio 项目详解【环境使用说明、脚本任务】​​

​​三、AI Studio 项目详解【分布式训练-单机多机】​​

​​四、AI Studio 项目详解【图形化任务】​​

​​五、AI Studio 项目详解【在线部署及预测】​​

1.前言铺垫

​1.1值函数近似​

用带参数的Q函数近似，比如使用：多项式函数，神经网络来代替Q表格。

这里近似可以有不同类别，如上图输入一个状态s和动作a得到一个q值，或者只输入状态s，有多少个动作就输出多少个Q值，右边容易求解最大Q值。

表格法的缺点：                                                        使用值函数近似的优点:

➊表格可能占用极大内存                                           ➊仅需存储有限的参数
②当表格极大时，查表效率低下                                ②状态泛化，相似的状态可以输出一样

神经网络可以逼近任意连续函数

线性加权+激活函数 就可以拟合非线性函数。

这是一个简单的线性回归模型，来帮助我们快速求解4元一次方程。

代码对应如下：

#加载库
import paddle.fluid as fluid
import numpy as np
#生成数据
np.random.seed(0)
outputs = np.random.randint(5, size=(10, 4))
res = []
for i in range(10):
        # 假设方程式为 y=4a+6b+7c+2d
        y = 4*outputs[i][0]+6*outputs[i][1]+7*outputs[i][2]+2*outputs[i][3]
        res.append([y])
# 定义数据
train_data=np.array(outputs).astype('float32')
y_true = np.array(res).astype('float32')

#定义网络
x = fluid.layers.data(name="x",shape=[4],dtype='float32')
y = fluid.layers.data(name="y",shape=[1],dtype='float32')
y_predict = fluid.layers.fc(input=x,size=1,act=None)
#定义损失函数
cost = fluid.layers.square_error_cost(input=y_predict,label=y)
avg_cost = fluid.layers.mean(cost)
#定义优化方法
sgd_optimizer = fluid.optimizer.SGD(learning_rate=0.05)
sgd_optimizer.minimize(avg_cost)
#参数初始化
cpu = fluid.CPUPlace()
exe = fluid.Executor(cpu)
exe.run(fluid.default_startup_program())
##开始训练，迭代500次
for i in range(500):
        outs = exe.run(
                feed={'x':train_data,'y':y_true},
                fetch_list=[y_predict.name,avg_cost.name])
        if i%50==0:
                print ('iter={:.0f},cost={}'.format(i,outs[1][0]))
#存储训练结果
params_dirname = "result"
fluid.io.save_inference_model(params_dirname, ['x'], [y_predict], exe)

# 开始预测
infer_exe = fluid.Executor(cpu)
inference_scope = fluid.Scope()
# 加载训练好的模型
with fluid.scope_guard(inference_scope):
        [inference_program, feed_target_names,
         fetch_targets] = fluid.io.load_inference_model(params_dirname, infer_exe)

# 生成测试数据
test = np.array([[[9],[5],[2],[10]]]).astype('float32')
# 进行预测
results = infer_exe.run(inference_program,
                                                feed={"x": test},
                                                fetch_list=fetch_targets)
# 给出题目为 【9,5,2,10】 输出y=4*9+6*5+7*2+10*2的值
print ("9a+5b+2c+10d={}".format(results[0][0]))

得到结果：

    9a+5b+2c+10d=[99.946]
输出结果应是一个近似等于100的值，每次计算结果略有不同。

2.DQN

先回顾一下Qlearing

1.首先查表所有动作对应q值取出来，最有动作就是q值最大对应动作，2.在输出给环境，然后输出r和下一状态s   Q（s，a）函数逼近目标值target，maxQ来更新。当然也用sample进行探索。

DQN改进就是用神经网络替代Q表格。

3.DQN创新点

• • 
    
• 本质上​​DQN​​​还是一个​​Q-learning​​​算法，更新方式一致。为了更好的探索环境，同样的也采用​​ε-greedy​​方法训练。
• 在​​Q-learning​​​的基础上，​​DQN​​​提出了两个技巧使得​​Q​​网络的更新迭代更稳定。

• • 
    
• 经验回放 ​​Experience Replay​​​：主要解决样本关联性和利用效率的问题。使用一个经验池存储多条经验​​s,a,r,s'​​，再从中随机抽取一批数据送去训练。
• 固定Q目标 ​​Fixed-Q-Target​​​：主要解决算法训练不稳定的问题。复制一个和原来​​Q​​​网络结构一样的​​Target Q​​​网络，用于计算​​Q​​目标值。
  • 
    

是预测的q和targetQ相近，通过loss更新神经网络。

2.1 经验回放

import random
import collections   #导入队列库，可以定义经验池队列
import numpy as np


class ReplayMemory(object):
    def __init__(self, max_size):
        self.buffer = collections.deque(maxlen=max_size)  #长度就是经验池容量

    def append(self, exp):
        self.buffer.append(exp)#增加一条经验（obs, action, reward, next_obs, done ）
    def sample(self, batch_size):
        mini_batch = random.sample(self.buffer, batch_size)
        obs_batch, action_batch, reward_batch, next_obs_batch, done_batch = [], [], [], [], []

        for experience in mini_batch:          #每一条batch分解一下，加到对应数组里
            s, a, r, s_p, done = experience
            obs_batch.append(s)
            action_batch.append(a)
            reward_batch.append(r)
            next_obs_batch.append(s_p)
            done_batch.append(done)

        return np.array(obs_batch).astype('float32'), \
            np.array(action_batch).astype('float32'), np.array(reward_batch).astype('float32'),\
            np.array(next_obs_batch).astype('float32'), np.array(done_batch).astype('float32')

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

2.2 固定Q目标

2.3 DQN流程

在parl里面单独把DQN算法提取出来

4.PARL的架构DQN详细讲解如下：

可以比较方便的应用在其他深度学习环境下。这样的算法看起来会比较整洁5个文件：

​​Agent​​​把产生的数据传给​​algorithm​​​，​​algorithm​​​根据​​model​​​的模型结构计算出​​Loss​​​，使用​​SGD​​​或者其他优化器不断的优化，​​PARL​​这种架构可以很方便的应用在各类深度强化学习问题中。

4.1 model：

• ​​Model​​​用来定义前向(​​Forward​​)网络，用户可以自由的定制自己的网络结构。

4.2 algorithm：

• ​​Algorithm​​​ 定义了具体的算法来更新前向网络(​​Model​​​)，也就是通过定义损失函数来更新​​Model​​​，和算法相关的计算都放在​​algorithm​​中。

将model的参数同步到target_model中，调用这个API就好。

预测：

4.3 learn（）：

target Q计算公式 和Qlearing一样，if episode是最后一个则没有下一个状态，就是当前reward。

分成三部分，得到Q目标值、在获取预测值，最后得到LOSS。

阻止梯度传递，target_q 用到的是target_model的值，而target_model的值需要固定不动的，所以切断联系，避免优化器找到所有和cost有关的参数进行一起优化。

• 小技巧：terminal就是done，

     这行代码把if else都写出来了，如果是true就是1 false就是0 

      true的话就是1，后项式整体为0.

• pred_value拿到的是pred_value = [[2.3, 5.7, 1.2, 3.9, 1.4]]，拿到所有a对应的Q了，然后把Q先转换到onehot向量3 => [0,0,0,1,0]   2 => [0,0,1,0,0]

安位相乘再相加，就得到3.9了。即Q（s,a）

计算均方差、在用adm优化器优化。

• ​​Agent​​​ 负责算法与环境的交互，在交互过程中把生成的数据提供给​​Algorithm​​​来更新模型(​​Model​​)，数据的预处理流程也一般定义在这里。

每200step同步一次网络。

每运行一次run就完成一次网络的更新。

获取计算Q值

with fluid.program_guard(self.pred_program):  # 搭建计算图用于 预测动作，定义输入输出变量
            obs = layers.data(
                name='obs', shape=[self.obs_dim], dtype='float32')
            self.value = self.alg.predict(obs)

5.cartpole测试

5.1 main.py 代码流程图体现：

每训练50个episode，评估5次【多次】再求平均，避免偶然性。

训练时运行learn更新Q算法。

render为true，则显示需打印内容，等于设置了一个标记。

6.PARL常用APi

7.总结：

​软更新：​应该是指每次更新参数的时候利用一个衰减的比例

​硬更新：​则是指每隔一定步数完全Copy参数