如何在Python中通过TensorFlow 2.x实现强化学习DQN

千磊姑娘_1990

千磊姑娘_1990

2026-11-22

967人浏览

原创

DQN在TensorFlow 2.x中需手动构建Q网络、经验回放和训练循环,因核心在于目标网络冻结更新、经验回放采样与贝尔曼误差梯度裁剪三者耦合,仅用Dense堆叠无法满足。

如何在python中通过tensorflow 2.x实现强化学习dqn

DQN 在 TensorFlow 2.x 中不是开箱即用的现成类,必须手动构建 Q 网络、经验回放和训练循环——直接调用 tf.keras.Model + tf.GradientTape 是最可控也最常见的方式。

为什么不能直接用 tf.keras.layers.Dense 搭个网络就完事?

DQN 的核心不在前向传播,而在三个耦合环节:目标网络冻结更新、经验回放采样、贝尔曼误差梯度裁剪。只搭一个 QNetwork 类,不处理这些,模型会发散或学不到策略。

  • 目标网络(target_model)必须与主网络结构完全一致,但参数每 update_target_every 步才同步一次,不能用 model.set_weights() 频繁拷贝(性能差),推荐用 tf.group([t.assign(s) for t, s in zip(target_vars, source_vars)])
  • 经验回放必须用 collections.deque 或自定义环形缓冲区,不能用普通 list——否则 sample() 时索引越界或内存暴涨
  • tf.GradientTape 内必须同时追踪 q_values 和 target_q 的计算路径,否则 tape.gradient(loss, model.trainable_variables) 会返回 None

如何写一个最小可跑的 DQN 训练循环?

以 CartPole-v1 为例,关键逻辑集中在 train_step() 函数里,其余都是胶水代码。

Define repeatable Python automation sessions in code with nox
Define repeatable Python automation sessions in code with nox

将测试、lint、构建和文档流程编码为命名的Python会话,以便人类和代理每次运行相同的workflow。

下载
  • 输入 batch 数据后,用主网络算当前动作的 q_values:current_q = model(states).numpy(),再用 np.argmax(current_q, axis=1) 提取选中动作索引
  • 用目标网络算下一状态的最大 q_next:q_next = target_model(next_states),注意别忘了加 tf.stop_gradient() 包裹,否则梯度会流进目标网络
  • 构造目标值:target_q = rewards + (1 - dones) * gamma * tf.reduce_max(q_next, axis=1),其中 dones 是布尔数组,必须转成 float 才能参与运算
  • 只对被选中的动作计算 loss:loss = tf.keras.losses.mse(target_q, tf.reduce_sum(q_values * tf.one_hot(actions, num_actions), axis=1))

哪些参数最容易导致训练失败?

不是网络层数或学习率本身,而是它们在 DQN 特定流程里的组合效应。

  • gamma = 0.99 是常规值,但如果环境稀疏奖励(如 Atari 生存类),设成 0.995 可能反而让 agent 过早放弃探索
  • epsilon_decay 别用线性衰减;CartPole 推荐从 1.0 降到 0.01 花 1000 步,但 Breakout 需要 1e6 步——硬编码步数会卡死训练
  • batch_size 太小(如 16)导致 q_next 方差大;太大(如 512)又让单步更新太慢;32–128 是安全区间
  • 经验回放缓冲区大小设 10000 对 CartPole 够用,但若用 tf.data.Dataset.from_generator 动态加载,容易因 prefetch 引发重复采样 bug

真正难的不是写通第一个 episode,而是让 loss 曲线稳定下降且 reward 不突然坍塌——这往往意味着目标网络更新时机不对,或者 reward clipping 没做(尤其在 Atari 中,原始 reward 可达 ±100,必须 clip 到 [-1, 1])。

Python免费学习笔记(深入):立即使用
在学习笔记中,你将探索 Python 的核心概念和高级技巧!

相关文章

PHP速学视频免费教程(入门到精通)
PHP速学视频免费教程(入门到精通)

PHP怎么学习?PHP怎么入门?PHP在哪学?PHP怎么学才快?不用担心,这里为大家提供了PHP速学教程(入门到精通),有需要的小伙伴保存下载就能学习啦!

下载

相关标签:

python

本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn

相关专题

更多
python打包成可执行文件
python打包成可执行文件

本专题为大家带来python打包成可执行文件相关的文章,大家可以免费的下载体验。

2023.07.20

1971

4

python能做什么
python能做什么

python能做的有:可用于开发基于控制台的应用程序、多媒体部分开发、用于开发基于Web的应用程序、使用python处理数据、系统编程等等。本专题为大家提供python相关的各种文章、以及下载和课程。

2023.07.25

5664

7

format在python中的用法
format在python中的用法

Python中的format是一种字符串格式化方法,用于将变量或值插入到字符串中的占位符位置。通过format方法,我们可以动态地构建字符串,使其包含不同值。php中文网给大家带来了相关的教程以及文章,欢迎大家前来阅读学习。

2023.07.31

1929

3

python教程
python教程

Python已成为一门网红语言,即使是在非编程开发者当中,也掀起了一股学习的热潮。本专题为大家带来python教程的相关文章,大家可以免费体验学习。

2023.08.03

34797

23

python环境变量的配置
python环境变量的配置

Python是一种流行的编程语言,被广泛用于软件开发、数据分析和科学计算等领域。在安装Python之后,我们需要配置环境变量,以便在任何位置都能够访问Python的可执行文件。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.04

4047

5

python eval
python eval

eval函数是Python中一个非常强大的函数,它可以将字符串作为Python代码进行执行,实现动态编程的效果。然而,由于其潜在的安全风险和性能问题,需要谨慎使用。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.04

4067

5

scratch和python区别
scratch和python区别

scratch和python的区别:1、scratch是一种专为初学者设计的图形化编程语言,python是一种文本编程语言;2、scratch使用的是基于积木的编程语法,python采用更加传统的文本编程语法等等。本专题为大家提供scratch和python相关的文章、下载、课程内容,供大家免费下载体验。

2023.08.11

1303

5

python合并两个列表
python合并两个列表

Python是一种强大的编程语言,具有许多方便的功能和工具。在Python中,有多种方法可以合并两个列表。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.10

636

4

python是前端还是后端
python是前端还是后端

Python属于前端也属于后端,其灵活性和丰富的生态系统使得开发人员能够在不同的领域中灵活运用。本专题为大家提供python相关的文章、下载、课程内容,供大家免费下载体验。

2023.08.11

3163

5

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
相关推荐
/
热门推荐
/
最新课程