Rumah  >  Artikel  >  Peranti teknologi  >  Tujuh algoritma pembelajaran tetulang popular dan pelaksanaan kod

Tujuh algoritma pembelajaran tetulang popular dan pelaksanaan kod

王林
王林ke hadapan
2023-04-11 19:28:021591semak imbas

Algoritma pembelajaran pengukuhan yang popular pada masa ini termasuk Q-learning, SARSA, DDPG, A2C, PPO, DQN dan TRPO. Algoritma ini telah digunakan dalam pelbagai aplikasi seperti permainan, robotik dan membuat keputusan, dan algoritma popular ini sentiasa dibangunkan dan ditambah baik Dalam artikel ini, kami akan memberikan pengenalan ringkas kepada mereka.

Tujuh algoritma pembelajaran tetulang popular dan pelaksanaan kod

1. Q-pembelajaran

Q-pembelajaran: Q-learning ialah algoritma pembelajaran pengukuhan bukan strategi tanpa model. Ia menganggarkan fungsi nilai tindakan optimum menggunakan persamaan Bellman, yang secara berulang mengemas kini nilai anggaran untuk pasangan keadaan-tindakan tertentu. Q-pembelajaran terkenal dengan kesederhanaan dan keupayaannya untuk mengendalikan ruang keadaan berterusan yang besar.

Berikut ialah contoh mudah menggunakan Python untuk melaksanakan pembelajaran-Q:

import numpy as np
 
 # Define the Q-table and the learning rate
 Q = np.zeros((state_space_size, action_space_size))
 alpha = 0.1
 
 # Define the exploration rate and discount factor
 epsilon = 0.1
 gamma = 0.99
 
 for episode in range(num_episodes):
 current_state = initial_state
 while not done:
 # Choose an action using an epsilon-greedy policy
 if np.random.uniform(0, 1) < epsilon:
 action = np.random.randint(0, action_space_size)
 else:
 action = np.argmax(Q[current_state])
 
 # Take the action and observe the next state and reward
 next_state, reward, done = take_action(current_state, action)
 
 # Update the Q-table using the Bellman equation
 Q[current_state, action] = Q[current_state, action] + alpha * (reward + gamma * np.max(Q[next_state]) - Q[current_state, action])
 
 current_state = next_state

Dalam contoh di atas, state_space_size dan action_space_size ialah bilangan keadaan dan tindakan dalam persekitaran masing-masing. num_episodes ialah bilangan pusingan untuk menjalankan algoritma. initial_state ialah keadaan permulaan persekitaran. take_action(current_state, action) ialah fungsi yang mengambil sebagai input keadaan semasa dan tindakan dan mengembalikan keadaan seterusnya, ganjaran dan boolean yang menunjukkan sama ada pusingan telah selesai.

Dalam gelung sementara, gunakan strategi tamak epsilon untuk memilih tindakan berdasarkan keadaan semasa. Gunakan epsilon kebarangkalian untuk memilih tindakan rawak, dan gunakan kebarangkalian 1-epsilon untuk memilih tindakan dengan nilai Q tertinggi untuk keadaan semasa.

Selepas mengambil tindakan, perhatikan keadaan dan ganjaran seterusnya, dan kemas kini q menggunakan persamaan Bellman. dan mengemas kini keadaan semasa kepada keadaan seterusnya. Ini hanyalah contoh mudah pembelajaran Q dan tidak mengambil kira permulaan jadual Q dan butiran khusus masalah yang akan diselesaikan.

2. SARSA

SARSA: SARSA ialah algoritma pembelajaran pengukuhan berasaskan dasar tanpa model. Ia juga menggunakan persamaan Bellman untuk menganggarkan fungsi nilai tindakan, tetapi ia adalah berdasarkan nilai jangkaan tindakan seterusnya, dan bukannya tindakan optimum seperti dalam Q-pembelajaran. SARSA terkenal dengan keupayaannya untuk menangani masalah dinamik stokastik.

import numpy as np
 
 # Define the Q-table and the learning rate
 Q = np.zeros((state_space_size, action_space_size))
 alpha = 0.1
 
 # Define the exploration rate and discount factor
 epsilon = 0.1
 gamma = 0.99
 
 for episode in range(num_episodes):
 current_state = initial_state
 action = epsilon_greedy_policy(epsilon, Q, current_state)
 while not done:
 # Take the action and observe the next state and reward
 next_state, reward, done = take_action(current_state, action)
 # Choose next action using epsilon-greedy policy
 next_action = epsilon_greedy_policy(epsilon, Q, next_state)
 # Update the Q-table using the Bellman equation
 Q[current_state, action] = Q[current_state, action] + alpha * (reward + gamma * Q[next_state, next_action] - Q[current_state, action])
 current_state = next_state
 action = next_action

state_space_size dan action_space_size masing-masing ialah bilangan keadaan dan operasi dalam persekitaran. num_episodes ialah bilangan pusingan yang anda mahu jalankan algoritma SARSA. Initial_state ialah keadaan awal persekitaran. take_action(current_state, action) ialah fungsi yang mengambil keadaan semasa dan tindakan sebagai input dan mengembalikan keadaan seterusnya, ganjaran dan boolean yang menunjukkan sama ada plot telah selesai.

Dalam gelung sementara, gunakan dasar tamak epsilon yang ditakrifkan dalam fungsi epsilon_greedy_policy(epsilon, Q, current_state) untuk memilih tindakan berdasarkan keadaan semasa. Pilih tindakan rawak menggunakan epsilon kebarangkalian, dan tindakan dengan nilai Q tertinggi untuk keadaan semasa menggunakan kebarangkalian 1-epsilon.

Perkara di atas adalah sama seperti Q-learning, tetapi selepas mengambil tindakan, ia kemudian menggunakan strategi tamak untuk memilih tindakan seterusnya sambil memerhatikan keadaan dan ganjaran seterusnya. dan kemas kini jadual q menggunakan persamaan Bellman.

3. DDPG

DDPG ialah algoritma bukan dasar tanpa model untuk ruang tindakan berterusan. Ia adalah algoritma pengkritik aktor di mana rangkaian aktor digunakan untuk memilih tindakan dan rangkaian pengkritik digunakan untuk menilai tindakan. DDPG amat berguna untuk kawalan robot dan tugas kawalan berterusan yang lain.

import numpy as np
 from keras.models import Model, Sequential
 from keras.layers import Dense, Input
 from keras.optimizers import Adam
 
 # Define the actor and critic models
 actor = Sequential()
 actor.add(Dense(32, input_dim=state_space_size, activation='relu'))
 actor.add(Dense(32, activation='relu'))
 actor.add(Dense(action_space_size, activation='tanh'))
 actor.compile(loss='mse', optimizer=Adam(lr=0.001))
 
 critic = Sequential()
 critic.add(Dense(32, input_dim=state_space_size, activation='relu'))
 critic.add(Dense(32, activation='relu'))
 critic.add(Dense(1, activation='linear'))
 critic.compile(loss='mse', optimizer=Adam(lr=0.001))
 
 # Define the replay buffer
 replay_buffer = []
 
 # Define the exploration noise
 exploration_noise = OrnsteinUhlenbeckProcess(size=action_space_size, theta=0.15, mu=0, sigma=0.2)
 
 for episode in range(num_episodes):
 current_state = initial_state
 while not done:
 # Select an action using the actor model and add exploration noise
 action = actor.predict(current_state)[0] + exploration_noise.sample()
 action = np.clip(action, -1, 1)
 
 # Take the action and observe the next state and reward
 next_state, reward, done = take_action(current_state, action)
 
 # Add the experience to the replay buffer
 replay_buffer.append((current_state, action, reward, next_state, done))
 
 # Sample a batch of experiences from the replay buffer
 batch = sample(replay_buffer, batch_size)
 
 # Update the critic model
 states = np.array([x[0] for x in batch])
 actions = np.array([x[1] for x in batch])
 rewards = np.array([x[2] for x in batch])
 next_states = np.array([x[3] for x in batch])
 
 target_q_values = rewards + gamma * critic.predict(next_states)
 critic.train_on_batch(states, target_q_values)
 
 # Update the actor model
 action_gradients = np.array(critic.get_gradients(states, actions))
 actor.train_on_batch(states, action_gradients)
 
 current_state = next_state

Dalam contoh ini, state_space_size dan action_space_size masing-masing ialah bilangan keadaan dan tindakan dalam persekitaran. num_episodes ialah bilangan pusingan. Initial_state ialah keadaan awal persekitaran. Take_action (current_state, action) ialah fungsi yang menerima keadaan semasa dan tindakan sebagai input dan mengembalikan tindakan seterusnya.

4. A2C

A2C (Advantage Actor-Critic) ialah algoritma pengkritik aktor strategik yang menggunakan fungsi Advantage untuk mengemas kini strategi. Algoritma ini mudah untuk dilaksanakan dan boleh mengendalikan kedua-dua ruang tindakan diskret dan berterusan.

import numpy as np
 from keras.models import Model, Sequential
 from keras.layers import Dense, Input
 from keras.optimizers import Adam
 from keras.utils import to_categorical
 
 # Define the actor and critic models
 state_input = Input(shape=(state_space_size,))
 actor = Dense(32, activation='relu')(state_input)
 actor = Dense(32, activation='relu')(actor)
 actor = Dense(action_space_size, activation='softmax')(actor)
 actor_model = Model(inputs=state_input, outputs=actor)
 actor_model.compile(loss='categorical_crossentropy', optimizer=Adam(lr=0.001))
 
 state_input = Input(shape=(state_space_size,))
 critic = Dense(32, activation='relu')(state_input)
 critic = Dense(32, activation='relu')(critic)
 critic = Dense(1, activation='linear')(critic)
 critic_model = Model(inputs=state_input, outputs=critic)
 critic_model.compile(loss='mse', optimizer=Adam(lr=0.001))
 
 for episode in range(num_episodes):
 current_state = initial_state
 done = False
 while not done:
 # Select an action using the actor model and add exploration noise
 action_probs = actor_model.predict(np.array([current_state]))[0]
 action = np.random.choice(range(action_space_size), p=action_probs)
 
 # Take the action and observe the next state and reward
 next_state, reward, done = take_action(current_state, action)
 
 # Calculate the advantage
 target_value = critic_model.predict(np.array([next_state]))[0][0]
 advantage = reward + gamma * target_value - critic_model.predict(np.array([current_state]))[0][0]
 
 # Update the actor model
 action_one_hot = to_categorical(action, action_space_size)
 actor_model.train_on_batch(np.array([current_state]), advantage * action_one_hot)
 
 # Update the critic model
 critic_model.train_on_batch(np.array([current_state]), reward + gamma * target_value)
 
 current_state = next_state

Dalam contoh ini, model aktor ialah rangkaian saraf dengan 2 lapisan tersembunyi 32 neuron setiap satu dengan fungsi pengaktifan relu dan lapisan keluaran dengan fungsi pengaktifan softmax. Model pengkritik juga merupakan rangkaian saraf dengan 2 lapisan tersembunyi, 32 neuron dalam setiap lapisan, fungsi pengaktifan relu, dan lapisan keluaran dengan fungsi pengaktifan linear.

Gunakan fungsi kehilangan rentas entropi kategori untuk melatih model aktor, dan gunakan fungsi kehilangan ralat ralat purata kuasa dua untuk melatih model pengkritik. Tindakan dipilih berdasarkan ramalan model pelakon, dengan bunyi ditambah untuk penerokaan.

5. PPO

PPO (Pengoptimuman Dasar Proksimal) ialah algoritma dasar yang menggunakan kaedah pengoptimuman domain amanah untuk mengemas kini dasar. Ia amat berguna dalam persekitaran dengan pemerhatian berdimensi tinggi dan ruang tindakan berterusan. PPO terkenal dengan kestabilan dan kecekapan sampel yang tinggi.

import numpy as np
 from keras.models import Model, Sequential
 from keras.layers import Dense, Input
 from keras.optimizers import Adam
 
 # Define the policy model
 state_input = Input(shape=(state_space_size,))
 policy = Dense(32, activation='relu')(state_input)
 policy = Dense(32, activation='relu')(policy)
 policy = Dense(action_space_size, activation='softmax')(policy)
 policy_model = Model(inputs=state_input, outputs=policy)
 
 # Define the value model
 value_model = Model(inputs=state_input, outputs=Dense(1, activation='linear')(policy))
 
 # Define the optimizer
 optimizer = Adam(lr=0.001)
 
 for episode in range(num_episodes):
 current_state = initial_state
 while not done:
 # Select an action using the policy model
 action_probs = policy_model.predict(np.array([current_state]))[0]
 action = np.random.choice(range(action_space_size), p=action_probs)
 
 # Take the action and observe the next state and reward
 next_state, reward, done = take_action(current_state, action)
 
 # Calculate the advantage
 target_value = value_model.predict(np.array([next_state]))[0][0]
 advantage = reward + gamma * target_value - value_model.predict(np.array([current_state]))[0][0]
 
 # Calculate the old and new policy probabilities
 old_policy_prob = action_probs[action]
 new_policy_prob = policy_model.predict(np.array([next_state]))[0][action]
 
 # Calculate the ratio and the surrogate loss
 ratio = new_policy_prob / old_policy_prob
 surrogate_loss = np.minimum(ratio * advantage, np.clip(ratio, 1 - epsilon, 1 + epsilon) * advantage)
 
 # Update the policy and value models
 policy_model.trainable_weights = value_model.trainable_weights
 policy_model.compile(optimizer=optimizer, loss=-surrogate_loss)
 policy_model.train_on_batch(np.array([current_state]), np.array([action_one_hot]))
 value_model.train_on_batch(np.array([current_state]), reward + gamma * target_value)
 
 current_state = next_state

6. DQN

DQN (Deep Q Network) ialah algoritma bukan dasar tanpa model yang menggunakan rangkaian saraf untuk menganggarkan fungsi Q. DQN amat berguna untuk permainan Atari dan masalah serupa yang lain di mana ruang keadaan adalah dimensi tinggi dan rangkaian saraf digunakan untuk menghampiri fungsi Q.

import numpy as np
 from keras.models import Sequential
 from keras.layers import Dense, Input
 from keras.optimizers import Adam
 from collections import deque
 
 # Define the Q-network model
 model = Sequential()
 model.add(Dense(32, input_dim=state_space_size, activation='relu'))
 model.add(Dense(32, activation='relu'))
 model.add(Dense(action_space_size, activation='linear'))
 model.compile(loss='mse', optimizer=Adam(lr=0.001))
 
 # Define the replay buffer
 replay_buffer = deque(maxlen=replay_buffer_size)
 
 for episode in range(num_episodes):
 current_state = initial_state
 while not done:
 # Select an action using an epsilon-greedy policy
 if np.random.rand() < epsilon:
 action = np.random.randint(0, action_space_size)
 else:
 action = np.argmax(model.predict(np.array([current_state]))[0])
 
 # Take the action and observe the next state and reward
 next_state, reward, done = take_action(current_state, action)
 
 # Add the experience to the replay buffer
 replay_buffer.append((current_state, action, reward, next_state, done))
 
 # Sample a batch of experiences from the replay buffer
 batch = random.sample(replay_buffer, batch_size)
 
 # Prepare the inputs and targets for the Q-network
 inputs = np.array([x[0] for x in batch])
 targets = model.predict(inputs)
 for i, (state, action, reward, next_state, done) in enumerate(batch):
 if done:
 targets[i, action] = reward
 else:
 targets[i, action] = reward + gamma * np.max(model.predict(np.array([next_state]))[0])
 
 # Update the Q-network
 model.train_on_batch(inputs, targets)
 
 current_state = next_state

上面的代码,Q-network有2个隐藏层,每个隐藏层有32个神经元,使用relu激活函数。该网络使用均方误差损失函数和Adam优化器进行训练。

7、TRPO

TRPO (Trust Region Policy Optimization)是一种无模型的策略算法,它使用信任域优化方法来更新策略。 它在具有高维观察和连续动作空间的环境中特别有用。

TRPO 是一个复杂的算法,需要多个步骤和组件来实现。TRPO不是用几行代码就能实现的简单算法。

所以我们这里使用实现了TRPO的现有库,例如OpenAI Baselines,它提供了包括TRPO在内的各种预先实现的强化学习算法,。

要在OpenAI Baselines中使用TRPO,我们需要安装:

pip install baselines

然后可以使用baselines库中的trpo_mpi模块在你的环境中训练TRPO代理,这里有一个简单的例子:

import gym
 from baselines.common.vec_env.dummy_vec_env import DummyVecEnv
 from baselines.trpo_mpi import trpo_mpi
 
 #Initialize the environment
 env = gym.make("CartPole-v1")
 env = DummyVecEnv([lambda: env])
 
 # Define the policy network
 policy_fn = mlp_policy
 
 #Train the TRPO model
 model = trpo_mpi.learn(env, policy_fn, max_iters=1000)

我们使用Gym库初始化环境。然后定义策略网络,并调用TRPO模块中的learn()函数来训练模型。

还有许多其他库也提供了TRPO的实现,例如TensorFlow、PyTorch和RLLib。下面时一个使用TF 2.0实现的样例

import tensorflow as tf
 import gym
 
 # Define the policy network
 class PolicyNetwork(tf.keras.Model):
 def __init__(self):
 super(PolicyNetwork, self).__init__()
 self.dense1 = tf.keras.layers.Dense(16, activation='relu')
 self.dense2 = tf.keras.layers.Dense(16, activation='relu')
 self.dense3 = tf.keras.layers.Dense(1, activation='sigmoid')
 
 def call(self, inputs):
 x = self.dense1(inputs)
 x = self.dense2(x)
 x = self.dense3(x)
 return x
 
 # Initialize the environment
 env = gym.make("CartPole-v1")
 
 # Initialize the policy network
 policy_network = PolicyNetwork()
 
 # Define the optimizer
 optimizer = tf.optimizers.Adam()
 
 # Define the loss function
 loss_fn = tf.losses.BinaryCrossentropy()
 
 # Set the maximum number of iterations
 max_iters = 1000
 
 # Start the training loop
 for i in range(max_iters):
 # Sample an action from the policy network
 action = tf.squeeze(tf.random.categorical(policy_network(observation), 1))
 
 # Take a step in the environment
 observation, reward, done, _ = env.step(action)
 
 with tf.GradientTape() as tape:
 # Compute the loss
 loss = loss_fn(reward, policy_network(observation))
 
 # Compute the gradients
 grads = tape.gradient(loss, policy_network.trainable_variables)
 
 # Perform the update step
 optimizer.apply_gradients(zip(grads, policy_network.trainable_variables))
 
 if done:
 # Reset the environment
 observation = env.reset()

在这个例子中,我们首先使用TensorFlow的Keras API定义一个策略网络。然后使用Gym库和策略网络初始化环境。然后定义用于训练策略网络的优化器和损失函数。

在训练循环中,从策略网络中采样一个动作,在环境中前进一步,然后使用TensorFlow的GradientTape计算损失和梯度。然后我们使用优化器执行更新步骤。

这是一个简单的例子,只展示了如何在TensorFlow 2.0中实现TRPO。TRPO是一个非常复杂的算法,这个例子没有涵盖所有的细节,但它是试验TRPO的一个很好的起点。

总结

以上就是我们总结的7个常用的强化学习算法,这些算法并不相互排斥,通常与其他技术(如值函数逼近、基于模型的方法和集成方法)结合使用,可以获得更好的结果。


Atas ialah kandungan terperinci Tujuh algoritma pembelajaran tetulang popular dan pelaksanaan kod. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Kenyataan:
Artikel ini dikembalikan pada:51cto.com. Jika ada pelanggaran, sila hubungi admin@php.cn Padam