学习笔记TF038:实现估值网络

Q-Learning,学习Action对应期望值(Expected
Utility)。1989年,沃特kins提议。收敛性,1992年,沃特kins和Dayan共同验证。学习期望价值,从当前一步到具有继续手续,总希望获取最大价值(Q值、Value)。Action->Q函数,最佳策略,在每个state下,采取Q值最高的Action。不依赖环境模型。有限马尔科夫决策过程(马克ov
Dectision Process) ,Q-Learning被认证最后得以找到最优政策。

欣赏养猫咪的同伴们,你有没有想过,在家里给猫咪打造一个戏耍乐园呢?不需要很大的专用空间,把设计融进你房间的每一个角落,就能给猫咪打造一个温暖如春有趣的家。

Q-Learning目的,求解函数Q(st,at),遵照目前条件情形,揣测Action期望价值。Q-Learning操练模型,以(状态、行为、奖励、下一境况)构成元组(st,at,rt+1,st+1)样本操练,st当前状态,at当前状态下执行action,rt+1执行Action后拿到奖励,st+1下一动静,(当前场所,行动,奖励,下一气象)。特征(st,at)。学习目的(期望价值)
rt+1+γ·maxaQ(st+1,a),当前Action得到Reward,加下一步可拿到最大期待价值,当前情况行动奖励,加下一情况行动最大希望价值。学习目的包含Q-Learning函数本身,递归求解。下一步可获最大期待价值乘γ(衰减周详discount
factor),将来嘉奖的学习权重。discount factor
0,模型学习不到其他以后嘉奖音信,变短视,只关注当下补益。discount factor
>=
1,算法可能无法消失,期望价值持续添加没有衰减(discount),期望价值发散。discount
factor一般比1稍小。Qnew(st,at)<-(1-α)·Qold(st,at)+α·(rt+1+γ·maxaQ(st+1,a)),Q-Learning学习过程式子。旧Q-Learning函数Qold(st,at),向学习目的(当前取得Reward加下一步可取得最大希望价值),按较小学习速率α学习,得到新Q-Learning函数Qnew(st,at)。学习速率决定新收获样本音讯覆盖率前左右到音信比率,经常设较小值,保证学习过程稳定,确保最后收敛性。Q-Learning需要起始值Q0,相比高起先值,鼓励模型多探索。

明日介绍的这么些案列,就是为作为铲屎官的您量身定做。来看一看旁人的家是怎么为猫咪改造规划的。

读书Q-Learning模型用神经网络,得到模型是估值网络。用相比深的神经网络,就是DQN。GoogleDeepMind,《Nature》杂谈,《Human-level control through deep
reinforcement
learning》提议。DeepMind用DQN创设达标人类专家水平玩Atari2600类别游戏Agent。

56㎡的屋宇面积,一个不大的家,谈不上多少宽度敞但却至极的大团结。从图中得以观看,房屋的计划有一个异样之处,主卧与客厅同在一个盛开的半空中内,将卧室与客厅结合在一块儿,如此勇敢新颖的统筹,不精通会是咋样意义啊?

state of the art DQN
Trick。第一个Trick。DQN引入卷积层。模型通过Atari游戏录像图像精晓环境信息并学习策略。DQN需要通晓接收图像,具有图像识别能力。卷积神经网络,利用可领到空间协会信息卷积层抽取特征。卷积层提取图像中着重对象特征传给后层做分类、回归。DQN用卷积层做强化学习磨练,依照环境图像输出决策。

1.玄关

其次个Trick。Experience Replay。深度学习需要大量样本,传统Q-Learning
online
update方法(逐一对新样本学习)不适合DQN。增大样本,三个epoch磨炼,图像反复使用。Experience
Replay,储存Agent
Experience样本,每便磨练随机抽取部分样本供网络学习。稳定形成学习任务,制止短视只学习最新接触样本,综合反复使用过往大量样书学习。创设储存Experience缓存buffer,储存一定量较新样本。容量满了,用新样本替换最旧样本,保证大部分样本相近概率被抽到。不替换旧样本,练习过程被抽到概率永远比新样本高很多。每一回需要磨炼样本,直接从buffer随机抽取一定量给DQN训练,保持样本高利用率,让模型学习到较新样本。

从玄关处进入有一个微小的阶梯,一旁是一个大大的白色系统柜,能够放置各样杂物,在暖洋洋的灯光照射下,从进门开头就能感到到一种家的融洽。

其两个Trick。用第二个DQN网络援救磨练,target
DQN,匡助总结目的Q值,提供学习目的公式里的maxaQ(st+1,a)。多少个网络,一个打造学习目的,一个其实操练,让Q-Learning训练目的保持平静。强化学习
Q-Learning学习目的每回变更,学习目的分部是模型本身输出,每一趟换代模型参数会促成学习目标转移,更新往往幅度大,训练过程会异常不平静、失控,DQN磨炼会陷入目标Q值与预测Q值反馈循环(陷入震荡发散,难消失)。需要安静target
DQN扶助网络统计目标Q值。target
DQN,低频率、缓慢学习,输出目的Q值波动较小,减小锻炼过程影响。

2.客厅

第4个Trick。Double DQN。DeepMind 《Deep Reinforcement Learning with
Double Q-Learning》。传统DQN高估Action
Q值,高估不均匀,导致次优Action被高估超过最优Action。target DQN
负责生成目的Q值,先暴发Q(st+1,a),再经过maxa选用最大Q值。Double
DQN,在主DQN上通过最大Q值采取Action,再拿走Action在target DQN
Q值。主网选拔Action,targetDQN生成Action
Q值。被采用Q值,不肯定总是最大,避免被高估次优Action总是领先最优Action,导致发现不了真正最好Action。学习目的公式:Target=rt+1+γ·Qtarget(st+1,argmaxa(Qmain(st+1,a)))。

这是客厅的正经模样,家中大多是木质家具,令人备感温暖如春而密切。两扇大大的窗户用轻柔的窗幔遮挡,让室外照射进的光柱变得更加的温和,给房间营造出一种祥和浪漫的氛围。

第5个Trick。Dueling DQN。Google 《Dueling Network Architectures for Deep
Reinforcement Learning》。Dueling
DQN,Q值函数Q(st,at)拆分,一部分静态环境气象有所价值V(st),Value;另一有些动态选用Action额外带来价值A(at),Advantage。公式,Q(st,at)=V(st)+A(at)。网络独家总结环境Value和挑选Action
Advantage。Advantage,Action与任何Action相比,零均值。网络最后,不再直接输出Action数量Q值,输出一个Value,及Action数量
Advantage值。V值分别加到每个Advantage值上,得最后结果。让DQN学习目标更彰着,假设当先前时期望价值紧要由环境气象控制,Value值大,所有Advantage波动不大;假若希望价值重要由Action决定,Value值小,Advantage波动大。分解让学习目的更稳定、精确,DQN对环境意况估算能力更强。

主导来了,电视机上方扩张的层板是猫咪走秀的舞台,不仅给猫咪提供了娱乐场馆,还节省了电视机墙的装修。晴Taobao猫可以躺在靠窗的犄角慵懒的晒太阳,这样和谐美好的镜头不比装饰画更加栩栩如生吗?

落实带Trick DQN。任务环境
GridWorld导航类水言纟工。GridWorld包含一个hero,4个goal,2个fire。控制hero移动,每便向上、下、左、右方向运动一步,多触碰goal(奖励值1),避开fire(奖励值-1)。游戏目标,限度步数内拿到最多分数。Agent
直接通过GridWorld图像学习决定hero移动最优政策。

柜子的隔板之间特意为猫咪留下通行的洞口,方便它来回穿梭往来,看它这呆萌的小表情,似乎正乐在内部。

开创GridWorld任务环境。载入倚重库,itertools迭代操作,scipy.misc、matplotlib.pyplot绘图,训练时间长,os定期储存模型文件。

从此刻可以见到大厅与卧室结合的机能,整个大厅的空间放大了一倍,明亮又拓宽。玄关处的反动系统柜一向延伸到大厅,与电视墙上的层板相连,让猫咪可以不间断的来回来去跳跃穿梭。

开创环境内物体对象class。环境物体属性,coordinates(x,y坐标)、size(尺寸)、intensity(亮度值)、channel(RGB颜色通道)、reward(奖励值)、name(名称)。

白色的系统柜也是猫咪的游艺领域,上下错落的搁板不仅具备强有力的收纳功效,也是猫咪跳跃玩耍的阶梯。

创立GridWorld环境class,开端化方法只传入参数环境size。环境长、宽为输入size,环境Action
Space设4,伊始化环境物体对象列表。self.reset()方法重置环境,拿到最先observation(GridWorld图像),plt.imshow体现observation。

这活泼乱跳的小家伙玩的不亦天涯论坛,但柜子上的物件们可是得摆放好咯。

概念环境reset方法。制造所有GridWorld物体,1个hero(用户控制目标)、4个goal(reward
1)、2个fire(reward
-1),添加到物体对象列表self.objects。self.newPosition()创设物体地方,随机挑选没有被挤占新岗位。物有物体size、intensity
1,hero channel 2(灰色),goal channel 1(粉红色),fire channel
0(黑色)。self.renderEnv()绘制GridWorld图像,state。

3.浴室

兑现移动英雄角色方法,传入值0、1、2、3两个数字,分别表示上、下、左、右。函数遵照输入操作英雄移动。假若运动该方向会导致英雄出界,不会进行此外活动。

葡京游戏网址 1

概念newPosition方法,选拔一个跟现有物体不争辩地点。itertools.product方法拿到多少个变量所有结成,创造环境size允许持有地点集合points,获取最近颇具物体地点集合currentPositions,从points去掉currentPositions,剩下可用地方。np.random.choice随机抽取一个可用位置再次来到。

浴池在玄关的边沿,色彩亮丽的色情浴室门在房间中非常精粹绝伦,起到了很好的装点点缀效率。

定义checkGoal函数。检查hero是否触碰goal、fire。从objects获取hero,其他物体对象放置others列表。编历others列表,倘使物体和坐标与hero完全一致,判定触碰。遵照触碰物体销毁,self.newPosition()方法在任意地点再一次生成物体,重返物体reward值(goal
1,fire -1)。

深色的方格子地板砖耐脏又拥有一种风尚感,卫生间和洗浴间用彩色波点浴帘作隔断,雅观又便宜。

始建长宛size+2、颜色通道数 3
图片。开始值全1,代表全白色。最外侧内部像素颜色值全体赋0,代表蓝色。遍历物体对象列表self.objects,设置物体亮度值。scipy.misc.imresize将图像从原本大小resize
84x84x3尺寸,正常游玩图像尺寸。

4.卧室

概念GridWorld环境进行一步Action方法。输入参数Action,self.moveChart(action)移动hero地点,self.checkGoal()检测hero是否触碰物体,拿到reward、done标记。self.renderEnv获取环境图像state,重临state、reward、done。

粉色的背景墙与肉色的床铺形成彰着的情调相比,在全方位灰白环境基色中卓殊鲜艳明丽,成为空间中的一大优点,也在隐蔽中划分出卧室区域。

调用gameEnv类初叶化方法,设置size
5,创立5×5大小GridWorld环境,每一遍成立GridWorld环境随机生成。小尺寸环境相对容易学习,大尺寸较难,训练时间更长。

5.厨房与次卧

计划DQN(Deep
Q-Network)网络。使用卷积层,可以一向从环境原始像素学习策略。输入scalarInput,扁平化长为84x84x3=21168向量,复苏成[-1,84,84,3]尺寸图片ImageIn。tf.contrib.layers.convolution2d创设第1个卷积层,卷积核尺寸8×8,步长4×4,输出通道数(filter数量)32,padding模型VALID,bias起先化器空。用4×4幅度和VALID模型padding,第1层卷积输出维度20x20x32。第2层卷积尺寸4×4,步长2×2,输出通道数64,输出维度9x9x64。第3层卷积尺寸3×3,步长1×1,输出通道数64,输出维度7x7x64。第4层卷积尺寸7×7,步长1×1,输出通道数512,空间尺寸只允许在一个职位卷积,,输出维度1x1x512。

厨房在朝着工作平台的过道旁,相当节约空间。而次卧设在过道的另一侧,青色背景墙在诞生灯的照射下,很是的有情调。

tf.split(),第4个卷积层输出conv4平均拆分两段,streamAC、streamVC,Dueling
DQN Advantage Function(Action带来的市值)和Value
Function(环境本身价值)。tf.split函数第2参数代表要拆分成几段。第3参数代表要拆分多少个维度。tf.contrib.layers.flatten将streamAC和streamVC转遍平的steamA和steamV。创制streamA和streamV线性全连接层参数AW和VW。tf.random_normal伊始化权重,tf.matmul做全连接层矩阵乘法,得到self.Advantage和self.Value。Advantage针对Action,输出数量为Action数量。Value针对环境统一的,输出数量
1。Q值由Value、advantage复合成,Value加上缩短均值Advantage。Advantage减去均值操作
tf.subtract,均值统计tf.reduce_mean函数(reduce_indices
1,代表Action数量维度)。最终输出Action,Q值最大Action,tf.argmax。

​​​END–

概念Double
DQN目的Q值targetQ输入placeholder,Agent动作actions输入placeholder。统计目的Q值,action由主DQN采纳,Q值由协理target
DQN生成。统计预测Q值,scalar模式actions转onehot编码情势,主DQN生成的Qout乘以actions_onehot,得预测Q值(Qout和actions都来自主DQN)。

图表来自网络

定义loss,tf.square、tf.reduce_mean统计targetQ和Q均方误差,学习速率1e-4
Adam优化器优化预测Q值和目的Q值偏差。

硬装做好了?软装设计如何搞?

实现Experience Replay策略。定义experience_buffer
class。最先化定义buffer_size存储样本最大容量,成立buffer列表。定义向经buffer添日币素方法。如若跨越buffer最大容量,清空最早样本,列表末尾添加新元素。定义样本抽样模式,用random.sample()函数随机抽取一定数量样本。

来最美家:www.zuimeijia.cn/

概念84x84x3 states扁平化 1维向量函数processState,方便前面堆叠样本。

预约服务统筹,将疑难杂症交给专业设计师们吧

updateTargetGraph函数,更新target DQN模型参数(主DQN用DQN class
self.updateModel方法革新模型参数)。输入变量tfVars,TensorFlow
Graph全体参数。tau,target
DQN向主DQN学习的速率。函数updateTargetGraph取tfVars前一半参数,主DQN模型参数。再令襄助targetDQN参数朝向主DQN参数前进很小比例(tau,0.001),target
DQN缓慢学习主DQN。训练时,目标Q值不可以在三遍迭代间波动太大,练习异常不安定、失控,陷入目的Q值和展望Q值反馈循环。需要安静目的Q值练习网络,缓慢学习target
DQN网络出口目的Q值,主网络优化目的Q值和展望Q值间loss,target
DQN跟随主DQN缓慢学习。函数updateTargetGraph创立改进target
DQN模型参数操作,函数updateTarget执行操作。

DQN网络磨炼过程参数。batch_size,每回从experience
buffer获取样本数,32。更新频率update_freq,每隔多少step执行五次模型参数更新,4。Q值衰减周密(discount
factor)γ,0.99。startE起初执行随机Action概率。endE最后实施随机Action概率。anneling_steps从初叶随机概率降到最终随机概率所需步数。num_episodes总共多少次GridWorld环境试验。pre_葡京游戏网址,train_steps正式用DQN接纳Action前开展多少步随机Action测试。max_epLength每个episode举行多少步Action。load_model是否读取在此以前磨炼模型。path模型储存路径。h_size是DQN网络最终全连接层隐含节点数。tau是target
DQN向主DQN学习速率。

Qnetwork类初步化mainQN和扶助targetQN。开始化所有模型参数。trainables获取具有可磨练参数。updateTargetGraph创立立异target
DQN模型参数操作。

experience_buffer成立experience replay
class,设置当前随机Action概率e,统计e每一步衰减值stepDrop。初步化储存每个episode的reward列表rList,总步数total_steps。制造模型磨炼保存器(Saver)检查保存目录是否留存。

创办默认Session,假诺load_model标志True,检查模型文件路径checkpoint,读取载入已封存模型。执行参数起初化操作,执行更新targetQN模型参数操作。创造GridWorld试验循环,创设每个episode内部experience_buffer,内部buffer不加入当前迭代磨炼,锻练只利用从前episode样本。开头化环境得第一个环境音讯s,processState()函数扁平化。开始化默认done标记d、episode内总reward值rAll、episode内步数j。

成立内层循环,每一回迭代执行Action。总步数稍低于pre_train_steps,强制用随机Action,只从随机Action学习,不深化过程。达到pre_train_steps,保留较小概率随机接纳Action。不随机选用Action,传入当前状态s给主DQN,预测拿到应有执行Action。env.step()执行一步Action,得到接下来事态s1、reward、done标记。processState对s1扁平化处理,s、a、r、s1、d传入episodeBuffer存储。

总步数超越pre_train_steps,持续降低随机挑选Action概率e,直到最低值endE。每当总步数达到update_freq整数部,举行五次操练,模型参数更新。从myBuffer中sample出一个batch_size样本。练习样本第3列信息,下一情景s1,传入mainQN,执行main.predict,得到主模型选用Action。s1流传协理targetQN,得到s1状态下有所Action的Q值。mainQN输出Action
,拔取targetQN输出Q,得到doubleQ。多少个DQN网络把接纳Action和出口Q值五个操作分隔开,Double
DQN。磨练样本第2列消息,当前reward,加doubleQ乘以衰减周密γ,拿到读书目的targetQ。传入当前状态s,学习目标targetQ和实在利用Action,执行updateTarget函数,执行targetQN模型参数更新(缓慢向mainQN学习)。完整完成一遍锻炼过程。每个step停止,累计当前那步获取reward,更新当前场所为下一步试验做准备。尽管done标记为True,间接中断episode试验。

episode内部episodeBuffer添加到myBuffer,作未来训练抽样数据集。当前episode
reward添加到rList。每25个episode显示平均reward值。每1000个episode或任何磨炼成功,保存当前模型。

发端200个episode内,完全随机Action的前10000步内,平均可以获取reward在2邻座,基础baseline。

教练最终episode输出,平均reward 22,万分大提高。

测算每100个episode平均reward,plt.plot体现reward变化趋势。从第1000个episode开头,reward快捷提升,到第4000个episode基本达标巅峰,前边进去平台期,提高不大。

    import numpy as np
    import random
    import tensorflow as tf
    import os
    %matplotlib inline
    from gridworld import gameEnv
    env = gameEnv(size=5)
    class Qnetwork():
        def __init__(self,h_size):
            #The network recieves a frame from the game, flattened into an array.
            #It then resizes it and processes it through four convolutional layers.
            self.scalarInput =  tf.placeholder(shape=[None,21168],dtype=tf.float32)
            self.imageIn = tf.reshape(self.scalarInput,shape=[-1,84,84,3])
            self.conv1 = tf.contrib.layers.convolution2d( \
                inputs=self.imageIn,num_outputs=32,kernel_size=[8,8],stride=[4,4],padding='VALID', biases_initializer=None)
            self.conv2 = tf.contrib.layers.convolution2d( \
                inputs=self.conv1,num_outputs=64,kernel_size=[4,4],stride=[2,2],padding='VALID', biases_initializer=None)
            self.conv3 = tf.contrib.layers.convolution2d( \
                inputs=self.conv2,num_outputs=64,kernel_size=[3,3],stride=[1,1],padding='VALID', biases_initializer=None)
            self.conv4 = tf.contrib.layers.convolution2d( \
                inputs=self.conv3,num_outputs=512,kernel_size=[7,7],stride=[1,1],padding='VALID', biases_initializer=None)

            #We take the output from the final convolutional layer and split it into separate advantage and value streams.
            self.streamAC,self.streamVC = tf.split(self.conv4,2,3)
            self.streamA = tf.contrib.layers.flatten(self.streamAC)
            self.streamV = tf.contrib.layers.flatten(self.streamVC)
            self.AW = tf.Variable(tf.random_normal([h_size//2,env.actions]))
            self.VW = tf.Variable(tf.random_normal([h_size//2,1]))
            self.Advantage = tf.matmul(self.streamA,self.AW)
            self.Value = tf.matmul(self.streamV,self.VW)

            #Then combine them together to get our final Q-values.
            self.Qout = self.Value + tf.subtract(self.Advantage,tf.reduce_mean(self.Advantage,reduction_indices=1,keep_dims=True))
            self.predict = tf.argmax(self.Qout,1)

            #Below we obtain the loss by taking the sum of squares difference between the target and prediction Q values.
            self.targetQ = tf.placeholder(shape=[None],dtype=tf.float32)
            self.actions = tf.placeholder(shape=[None],dtype=tf.int32)
            self.actions_onehot = tf.one_hot(self.actions,env.actions,dtype=tf.float32)

            self.Q = tf.reduce_sum(tf.multiply(self.Qout, self.actions_onehot), reduction_indices=1)

            self.td_error = tf.square(self.targetQ - self.Q)
            self.loss = tf.reduce_mean(self.td_error)
            self.trainer = tf.train.AdamOptimizer(learning_rate=0.0001)
            self.updateModel = self.trainer.minimize(self.loss)

    class experience_buffer():
        def __init__(self, buffer_size = 50000):
            self.buffer = []
            self.buffer_size = buffer_size

        def add(self,experience):
            if len(self.buffer) + len(experience) >= self.buffer_size:
                self.buffer[0:(len(experience)+len(self.buffer))-self.buffer_size] = []
            self.buffer.extend(experience)

        def sample(self,size):
            return np.reshape(np.array(random.sample(self.buffer,size)),[size,5])

    def processState(states):
        return np.reshape(states,[21168])

    def updateTargetGraph(tfVars,tau):
        total_vars = len(tfVars)
        op_holder = []
        for idx,var in enumerate(tfVars[0:total_vars//2]):
            op_holder.append(tfVars[idx+total_vars//2].assign((var.value()*tau) + ((1-tau)*tfVars[idx+total_vars//2].value())))
        return op_holder
    def updateTarget(op_holder,sess):
        for op in op_holder:
            sess.run(op)
    batch_size = 32 #How many experiences to use for each training step.
    update_freq = 4 #How often to perform a training step.
    y = .99 #Discount factor on the target Q-values
    startE = 1 #Starting chance of random action
    endE = 0.1 #Final chance of random action
    anneling_steps = 10000. #How many steps of training to reduce startE to endE.
    num_episodes = 10000#How many episodes of game environment to train network with.
    pre_train_steps = 10000 #How many steps of random actions before training begins.
    max_epLength = 50 #The max allowed length of our episode.
    load_model = False #Whether to load a saved model.
    path = "./dqn" #The path to save our model to.
    h_size = 512 #The size of the final convolutional layer before splitting it into Advantage and Value streams.
    tau = 0.001 #Rate to update target network toward primary network
    tf.reset_default_graph()
    mainQN = Qnetwork(h_size)
    targetQN = Qnetwork(h_size)
    init = tf.global_variables_initializer()
    trainables = tf.trainable_variables()
    targetOps = updateTargetGraph(trainables,tau)
    myBuffer = experience_buffer()
    #Set the rate of random action decrease. 
    e = startE
    stepDrop = (startE - endE)/anneling_steps
    #create lists to contain total rewards and steps per episode
    rList = []
    total_steps = 0
    #Make a path for our model to be saved in.
    saver = tf.train.Saver()
    if not os.path.exists(path):
        os.makedirs(path)
    #%%
    with tf.Session() as sess:
        if load_model == True:
            print('Loading Model...')
            ckpt = tf.train.get_checkpoint_state(path)
            saver.restore(sess,ckpt.model_checkpoint_path)
        sess.run(init)
        updateTarget(targetOps,sess) #Set the target network to be equal to the primary network.
        for i in range(num_episodes+1):
            episodeBuffer = experience_buffer()
            #Reset environment and get first new observation
            s = env.reset()
            s = processState(s)
            d = False
            rAll = 0
            j = 0
            #The Q-Network
            while j < max_epLength: #If the agent takes longer than 200 moves to reach either of the blocks, end the trial.
                j+=1
                #Choose an action by greedily (with e chance of random action) from the Q-network
                if np.random.rand(1) < e or total_steps < pre_train_steps:
                    a = np.random.randint(0,4)
                else:
                    a = sess.run(mainQN.predict,feed_dict={mainQN.scalarInput:[s]})[0]
                s1,r,d = env.step(a)
                s1 = processState(s1)
                total_steps += 1
                episodeBuffer.add(np.reshape(np.array([s,a,r,s1,d]),[1,5])) #Save the experience to our episode buffer.

                if total_steps > pre_train_steps:
                    if e > endE:
                        e -= stepDrop

                    if total_steps % (update_freq) == 0:
                        trainBatch = myBuffer.sample(batch_size) #Get a random batch of experiences.
                        #Below we perform the Double-DQN update to the target Q-values
                        A = sess.run(mainQN.predict,feed_dict={mainQN.scalarInput:np.vstack(trainBatch[:,3])})
                        Q = sess.run(targetQN.Qout,feed_dict={targetQN.scalarInput:np.vstack(trainBatch[:,3])})
                        doubleQ = Q[range(batch_size),A]
                        targetQ = trainBatch[:,2] + y*doubleQ
                        #Update the network with our target values.
                        _ = sess.run(mainQN.updateModel, \
                            feed_dict={mainQN.scalarInput:np.vstack(trainBatch[:,0]),mainQN.targetQ:targetQ, mainQN.actions:trainBatch[:,1]})

                        updateTarget(targetOps,sess) #Set the target network to be equal to the primary network.
                rAll += r
                s = s1

                if d == True:
                    break

            #Get all experiences from this episode and discount their rewards.
            myBuffer.add(episodeBuffer.buffer)
            rList.append(rAll)
            #Periodically save the model.
            if i>0 and i % 25 == 0:
                print('episode',i,', average reward of last 25 episode',np.mean(rList[-25:]))
            if i>0 and i % 1000 == 0:
                saver.save(sess,path+'/model-'+str(i)+'.cptk')
                print("Saved Model")            
        saver.save(sess,path+'/model-'+str(i)+'.cptk')
    #%%
    rMat = np.resize(np.array(rList),[len(rList)//100,100])
    rMean = np.average(rMat,1)
    plt.plot(rMean)

 

参考资料:
《TensorFlow实战》

迎接付费咨询(150元每时辰),我的微信:qingxingfengzi