本文主要向大家介绍了机器学习入门之用一个小游戏入门深度强化学习，通过具体的内容向大家展现，希望对大家学习机器学习入门有所帮助。

今天我们来用深度强化学习算法 deep Q-learning 玩 CartPole 游戏。

强化学习是机器学习的一个重要分支，通过强化学习我们可以创建一个 agent，让它与环境不断地互动，不断试错，自主地从中学习到知识，进而做出决策。

如图所示，agent 收到环境的状态 state，做出行动 action，行动后会得到一个反馈，反馈包括奖励 reward 和环境的下一个状态 next_state。

这样一轮操作下来，agent 便可以积累经验，并且从中训练，学习该如何根据 state 选择合适的 action 来获得较好的 reward 以获得游戏的最终胜利。

推荐阅读：一文了解强化学习

在强化学习中有一个著名算法 Q-learning：

推荐阅读：什么是 Q-learning

2013 年，Google DeepMind 发表了论文 Playing Atari with Deep Reinforcement Learning，开辟了一个新的领域，深度学习和强化学习的结合，即深度强化学习。 其中介绍了 Deep Q Network，这个深度强化学习网络可以让 agent 仅仅通过观察屏幕就能学会玩游戏，不需要知道关于这个游戏的任何信息。

在 Q-Learning 算法中，是通过一个 Q 函数，来估计对一个状态采取一个行动后所能得到的奖励 Q(s,a)，

在 Deep Q Network  中，是用一个神经网络来估计这个奖励。

接下来我们用一个很简单的游戏来看 Deep Q Network 是如何应用的。

CartPole 这个游戏的目标是要使小车上面的杆保持平衡，

state 包含四个信息：小车的位置，车速，杆的角度，杆尖端的速度

agent 的行动 action 包括两种：向左推车，向右推车

在每轮游戏开始时，环境有一个初始的状态，

agent 根据状态采取一个行动 action = agent.act(state)，

这个 action 使得游戏进入下一个状态 next_state，并且拿到了奖励 reward，next_state, reward, done, _ = env.step(action)，

然后 agent 会将之前的经验记录下来 agent.remember(state, action, reward, next_state, done)，

当经验积累到一定程度后，agent 就从经验中学习改进 agent.replay(batch_size)，

如果游戏结束了就打印一下所得分数，

没有结束就更新一下状态后继续游戏 state = next_state

if __name__ == "__main__":
 
 # 初始化 gym 环境和 agent
    env = gym.make('CartPole-v1')
    state_size = env.observation_space.shape[0]
    action_size = env.action_space.n
    agent = DQNAgent(state_size, action_size)
    
    done = False
    batch_size = 32

 # 开始迭代游戏
    for e in range(EPISODES):
    
     # 每次游戏开始时都重新设置一下状态
        state = env.reset()
        state = np.reshape(state, [1, state_size])
        
        # time 代表游戏的每一帧，
        # 每成功保持杆平衡一次得分就加 1，最高到 500 分，
        # 目标是希望分数越高越好
        for time in range(500):
            # 每一帧时，agent 根据 state 选择 action
            action = agent.act(state)
            # 这个 action 使得游戏进入下一个状态 next_state，并且拿到了奖励 reward
            # 如果杆依旧平衡则 reward 为 1，游戏结束则为 -10
            next_state, reward, done, _ = env.step(action)
            reward = reward if not done else -10
            next_state = np.reshape(next_state, [1, state_size])
            
            # 记忆之前的信息：state, action, reward, and done
            agent.remember(state, action, reward, next_state, done)
            
            # 更新下一帧的所在状态
            state = next_state

   # 如果杆倒了，则游戏结束，打印分数
            if done:
                print("episode: {}/{}, score: {}, e: {:.2}"
                      .format(e, EPISODES, time, agent.epsilon))
                break
            
            # 用之前的经验训练 agent   
            if len(agent.memory) > batch_size:
                agent.replay(batch_size)

接下来具体看每个部分：

1. agent 的网络用一个很简单的结构为例：

在输入层有 4 个节点，用来接收 state 的 4 个信息：小车的位置，车速，杆的角度，杆尖端的速度，

输出层有 2 个节点，因为 action 有 0，1 两个值：向左推车，向右推车，就对应着两个行为的奖励值。

    def _build_model(self):
        model = Sequential()
        model.add(Dense(24, input_dim=self.state_size, activation='relu'))
        model.add(Dense(24, activation='relu'))
        model.add(Dense(self.action_size, activation='linear'))
        model.compile(loss='mse',
                      optimizer=Adam(lr=self.learning_rate))
        return model

2. 需要定义一个损失函数来表示预测的 reward 和实际得到的奖励值的差距，这里用 mse，

例如，杆现在向右倾斜，这时如果向右推小车，那么杆就可能继续保持平衡，游戏的分数就可以更高一些，也就是说向右推车比向左推车拿到的奖励要大，不过模型却预测成了向左推奖励大，这样就造成了差距，我们需要让差距尽量最小。

3. Agent 如何决定采取什么 action

游戏开始时为了让 agent 尽量多尝试各种情况，会以一定的几率 epsilon 随机地选择 action，

之后它不再随机选择，开始根据当前状态预测 reward，然后用 np.argmax() 选择能最大化奖励的 action，

例如 act_values[0] = [0.67, 0.2] 表示 aciton 为 0 和 1 时的 reward，这个的最大值的索引为 0.

    def act(self, state):
        if np.random.rand() <= self.epsilon:
            return random.randrange(self.action_size)
        act_values = self.model.predict(state)
        return np.argmax(act_values[0])  # returns action

4. 通过 Gym，agent 可以很轻松地就能与环境互动：

next_state, reward, done, info = env.step(action)

env 代表游戏环境，action 为 0 或 1，将 action 传递给环境后，返回： done 表示游戏是否结束，next_state 和 reward 用来训练 agent。

DQN 的特别之处在于 remember 和 replay 方法，

5. remember()

DQN 的一个挑战是，上面搭建的这个神经网络结构是会遗忘之前的经验的，因为它会不断用新的经验来覆盖掉之前的。

所以我们需要一个列表来存储之前的经验，以备后面对模型训练时使用,

这个存储经验的列表叫做 memory，

memory = [(state, action, reward, next_state, done)...]

存储的动作由 remember() 函数来完成，即将 state, action, reward, next state 附加到 memory 中。

def remember(self, state, action, reward, next_state, done):
    self.memory.append((state, action, reward, next_state, done))

**6. replay() **

replay() 是用 memory 来训练神经网络的方法。

首先从 memory 中取样，从中随机选取 batch_size 个数据：

minibatch = random.sample(self.memory, batch_size)

为了让 agent 能有长期的良好表现，我们不仅仅要考虑即时奖励，还要考虑未来奖励，即需要折扣率 gamma，

具体讲就是我们先采取了行动 a，然后得到了奖励 r，并且到达了一个新的状态 next s，

根据这组结果，我们计算最大的目标值 np.amax()，

然后乘以一个 discount 率 gamma，将未来的奖励折算到当下，

最后我们将当前的奖励和折算后的未来奖励相加得到目标奖励值：

target = reward + gamma * np.amax(model.predict(next_state))

target_f 为前面建立的神经网络的输出，也就是损失函数里的 Q(s,a)，

然后模型通过 fit() 方法学习输入输出数据对，

model.fit(state, reward_value, epochs=1, verbose=0)

    def replay(self, batch_size):
        minibatch = random.sample(self.memory, batch_size)
        
        for state, action, reward, next_state, done in minibatch:
            target = reward
            
            if not done:
                target = (reward + self.gamma *
                          np.amax(self.model.predict(next_state)[0]))
            
            target_f = self.model.predict(state)
            target_f[0][action] = target
            
            self.model.fit(state, target_f, epochs=1, verbose=0)
        
        if self.epsilon > self.epsilon_min:
            self.epsilon *= self.epsilon_decay

完整代码如下：

# -*- coding: utf-8 -*-
import random
import gym
import numpy as np
from collections import deque
from keras.models import Sequential
from keras.layers import Dense
from keras.optimizers import Adam

EPISODES = 1000        # 让 agent 玩游戏的次数

class DQNAgent:
    def __init__(self, state_size, action_size):
        self.state_size = state_size
        self.action_size = action_size
        self.memory = deque(maxlen=2000)
        self.gamma = 0.95        # 计算未来奖励时的折算率
        self.epsilon = 1.0      # agent 最初探索环境时选择 action 的探索率
        self.epsilon_min = 0.01    # agent 控制随机探索的阈值
        self.epsilon_decay = 0.995   # 随着 agent 玩游戏越来越好，降低探索率
        self.learning_rate = 0.001
        self.model = self._build_model()

    def _build_model(self):
        model = Sequential()
        model.add(Dense(24, input_dim=self.state_size, activation='relu'))
        model.add(Dense(24, activation='relu'))
        model.add(Dense(self.action_size, activation='linear'))
        model.compile(loss='mse',
                      optimizer=Adam(lr=self.learning_rate))
        return model

    def remember(self, state, action, reward, next_state, done):
        self.memory.append((state, action, reward, next_state, done))

    def act(self, state):
        if np.random.rand() <= self.epsilon:
            return random.randrange(self.action_size)
        act_values = self.model.predict(state)
        return np.argmax(act_values[0])  

    def replay(self, batch_size):
        minibatch = random.sample(self.memory, batch_size)
        for state, action, reward, next_state, done in minibatch:
            target = reward
            if not done:
                target = (reward + self.gamma *
                          np.amax(self.model.predict(next_state)[0]))
            target_f = self.model.predict(state)
            target_f[0][action] = target
            self.model.fit(state, target_f, epochs=1, verbose=0)
        if self.epsilon > self.epsilon_min:
            self.epsilon *= self.epsilon_decay
            
            
if __name__ == "__main__":
 
 # 初始化 gym 环境和 agent
    env = gym.make('CartPole-v1')
    state_size = env.observation_space.shape[0]
    action_size = env.action_space.n
    agent = DQNAgent(state_size, action_size)
    
    done = False
    batch_size = 32

 # 开始迭代游戏
    for e in range(EPISODES):
    
     # 每次游戏开始时都重新设置一下状态
        state = env.reset()
        state = np.reshape(state, [1, state_size])
        
        # time 代表游戏的每一帧，
        # 每成功保持杆平衡一次得分就加 1，最高到 500 分，
        # 目标是希望分数越高越好
        for time in range(500):
            # 每一帧时，agent 根据 state 选择 action
            action = agent.act(state)
            # 这个 action 使得游戏进入下一个状态 next_state，并且拿到了奖励 reward
            # 如果杆依旧平衡则 reward 为 1，游戏结束则为 -10
            next_state, reward, done, _ = env.step(action)
            reward = reward if not done else -10
            next_state = np.reshape(next_state, [1, state_size])
            
            # 记忆之前的信息：state, action, reward, and done
            agent.remember(state, action, reward, next_state, done)
            
            # 更新下一帧的所在状态
            state = next_state

   # 如果杆倒了，则游戏结束，打印分数
            if done:
                print("episode: {}/{}, score: {}, e: {:.2}"
                      .format(e, EPISODES, time, agent.epsilon))
                break
            
            # 用之前的经验训练 agent   
            if len(agent.memory) > batch_size:
                agent.replay(batch_size)

本文由职坐标整理并发布，希望对同学们有所帮助。了解更多详情请关注职坐标人工智能机器学习频道！