强化学习-cs294-hw2-demo

本来在做Berkeley的cs294的hw2,但是由于对gym环境,比如observation和action的数据形式,和对TensorFlow的不熟悉,所以针对gym的CartPole-v0环境做一个演员-评论家的demo。这样可以清楚的观察到所做的努力,在没有加入优势函数的时候,网络训练的效果较差,几乎没有,加入后有较大的改善,但是还是没有破百,加入后破百了但是没有上两百,在正则化之后分数可以随意飙高。
明确如下:

  1. CartPole-v0的环境下,目标是向一个方向连续滑动且保持杆子的平衡
  2. 对优势函数做正则化可以有效防止过拟合,使得最后获得的reward分数更高
  3. 该环境的数据是离散的
#!/usr/bin/env python
# -*- coding: utf8 -*-

import gym
import numpy as np
import tensorflow as tf
import cPickle as pickle
import matplotlib.pyplot as plt
import math


def buildNet(input_layer, output_shape=[None,2], scope='test', layer_size=4, size=10, output_activation=None):
    layer = input_layer
    with tf.variable_scope(scope):
        for i in range(0, layer_size):
            layer = tf.layers.dense(layer, size, activation=tf.tanh)
        output_layer = tf.layers.dense(layer, output_shape, activation=output_activation, name="ac_logits")
        return output_layer



env = gym.make('CartPole-v0')
discrete = isinstance(env.action_space, gym.spaces.Discrete)
obs_dim = env.observation_space.shape[0]
ac_dim = env.action_space.n if discrete else env.action_space.shape[0]

input_layer = tf.placeholder(tf.float32, [None, obs_dim], name="observation")
ac_logits = buildNet(input_layer, ac_dim, 'ac_test')
ac = tf.placeholder(tf.int32, [None], name="action")
ac_sample = tf.reshape(tf.multinomial(ac_logits,1),[-1]) #multinomial->从多项式分布中抽取样本,抽取的样本数是1;[-1]表示shape是缺省值,这样可以从中选出该选择哪类动作
logprob = -tf.nn.sparse_softmax_cross_entropy_with_logits(labels=ac,logits=ac_logits) #把概率分布转换成softmax形式,则如此所有概率之和为1

baseline = tf.squeeze(buildNet(input_layer, 1, 'baseline'))
base_target = tf.placeholder(tf.float32, [None], name='base_target')
base_loss = tf.nn.l2_loss(baseline-base_target) #对baseline的损失函数只要是普通的l2范数即可
base_train = tf.train.AdamOptimizer(0.001).minimize(base_loss)

adv = tf.placeholder(tf.float32, [None], name='adv')

loss = tf.reduce_mean(-logprob*adv)
train = tf.train.AdamOptimizer(0.001).minimize(loss)



# buildNet()
step = 200

i = 0
batch_size = 50
min_timesteps_per_batch = 500
gamma = 0.99

init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    # print(sess.run(ac_logits, feed_dict={input_layer: ob[None]})[0])

    for i in range(i, step):
        paths = []
        batch = 0
        reward = 0
        while True:
            obs, acs, rews = [],[],[]
            ob = env.reset()
            while True:
                # env.render()
                obs.append(ob)
                action = sess.run(ac_sample, {input_layer: ob[None]})
                # print(action)
                action = action[0]
                acs.append(action)
                # ob, rew, done, _ = env.step()
                ob, rew, done, _ = env.step(action)
                reward += rew
                rews.append(rew)
                if done:
                    break

            path = {
                'observation': obs,
                'action': acs,
                'reward': rews
            }
            # print(np.sum(rews))
            paths.append(path)
            batch+=len(path['reward'])
            if batch >=  min_timesteps_per_batch:
                break
        ob_no = np.concatenate([path["observation"] for path in paths])
        ac_na = np.concatenate([path["action"] for path in paths])
        q_n = []
        for path in paths:
            r = path['reward']
            max_len = len(r)
            q = [np.sum(np.power(gamma, np.arange(max_len-t)) * r[t:]) for t in range(max_len)]
            q_n.extend(q)
        b_n = sess.run(baseline, {input_layer:ob_no})
        b_n = (b_n - np.mean(q_n)) / (np.std(q_n))
        # q_n = q_n - b_n
        adv_n = q_n - b_n
        adv_n = (adv_n - np.mean(adv_n))/(np.std(adv_n))
        print("step:",i,"reward:",reward/len(paths))
        print(sess.run(train, {input_layer:ob_no, ac:ac_na, adv:adv_n}))
        q_n = (q_n - np.mean(q_n)) / (np.std(q_n))
        sess.run(base_train, {input_layer: ob_no, base_target:q_n})

#最终想要达到的效果,应该是能稳定平滑的向一边移动
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 212,454评论 6 493
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,553评论 3 385
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 157,921评论 0 348
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,648评论 1 284
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,770评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,950评论 1 291
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,090评论 3 410
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,817评论 0 268
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,275评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,592评论 2 327
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,724评论 1 341
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,409评论 4 333
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,052评论 3 316
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,815评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,043评论 1 266
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,503评论 2 361
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,627评论 2 350

推荐阅读更多精彩内容