CNTK与深度强化学习笔记之二： Cart Pole游戏示例

如需转载，请指明出处。

---

前言

前面一篇文章，CNTK与深度强化学习笔记之一： 环境搭建和基本概念，非常概要的介绍了CNTK，深度强化学习和DQN的一些基本概念。这些概念希望后面还有文章继续展开深入:)，但是只看理论不写代码，很容易让人迷惑。学习应该是一个理论和实践反复的过程。上一章的公式太多，这一章没有公式，只有代码。建议大家这两章来回看，把理论和代码对应起来。我们先来一个简单的例子看一下。这个例子来自CNTK的官方文档：CNTK 203: Reinforcement Learning Basics，做了一些修改。

上一篇文章之后，有几个问题可能是比较让人困惑的，先列举在这里，然后我们通过示例看看是如何解决的：

• 一开始没有任何的训练数据和标记，深度神经网络是如何被训练的呢？是不是能像上文提到的，从一堆垃圾数据里面，学到有意义的东西？
• 经历重放技术确实有效吗？
• ε-greedy exploration算法如何实现，确实有效吗？

gym的Cart Pole环境

Cart Pole在OpenAI的gym模拟器里面，是相对比较简单的一个游戏。游戏里面有一个小车，上有竖着一根杆子。小车需要左右移动来保持杆子竖直。如果杆子倾斜的角度大于15°，那么游戏结束。小车也不能移动出一个范围（中间到两边各2.4个单位长度）。如下图所示：

在gym的Cart Pole环境（env）里面，左移或者右移小车的action之后，env都会返回一个+1的reward。到达200个reward之后，游戏也会结束。

该环境的详细描述在这里。在这个链接里面大家可以看到别人的模型和玩的成绩。另外每个state和action值的含义也在这里：CartPole-v0 wiki。

下面几个词后面的代码会用到（通过变量名体现）：

• observation: 代表了对环境的观察，即环境的State
• Spaces: 包括action space，表示有哪些action，和observation space，表示有哪些state。

CNTK的DQN模型实现

针对这个游戏和DQN，我们来看看如何实现模型。下面分段讲解代码。

准备工作

import numpy as npimport mathimport osimport randomimport gymimport cntk as Cenv = gym.make('CartPole-v0')n_state = env.observation_space.shape[0]n_action = env.action_space.nprint('CartPole-v0 environment: %d states, %d actions' % (n_state, n_action))

这段代码建立了CartPole-v0的环境。n_state保存了observation数组的大小，即环境用多大的数组来表示状态。n_action保存了系统中action的数目。对于Cart Pole来说，这两个值分别是4和2。

reward_target = 195epoch_baseline = 100reward_discount = 0.99hidden_size = 64 # hidden layer sizebatch_size = 64learning_rate = 0.00025max_epsilon = 1min_epsilon = 0.01epsilon_decay = 0.0001

这段代码设定了一些参数。reward_target是我们想要拿到的一局游戏中reward的总数，超过了这个总数程序就可以退出了。reward_discount是折扣率。这个游戏是一个action，马上会有一个reward，所以设置成0.99应该是比较合适的。max_epsilon，min_epsilon和epsilon_decay是为了实现上一节提到的ε-greedy exploration算法。reward_target设置为195和epoch_baseline设置为100的原因是，根据官方的定义，如果连续100个epoch的平均reward超过195，那么CartPole-v0这个问题就被认为是解决了。这样大家的成绩就有了一个衡量标准：使用的epoch越少越好。

Brain

class Brain:    def __init__(self):        self.params = {}        self.model, self.trainer, self.loss = self._create()    def _create(self):        observation = C.sequence.input_variable(n_state, np.float32, name='s')        q_target = C.sequence.input_variable(n_action, np.float32, name='q')        l1 = C.layers.Dense(hidden_size, activation=C.relu)        l2 = C.layers.Dense(n_action)        unbound_model = C.layers.Sequential([l1, l2])        self.model = unbound_model(observation)        self.params = dict(W1=l1.W, b1=l1.b, W2=l2.W, b2=l2.b)        self.loss = C.reduce_mean(C.square(self.model-q_target), axis=0)        meas = C.reduce_mean(C.square(self.model-q_target), axis=0)        lr_schedule = C.learning_rate_schedule(learning_rate, C.UnitType.minibatch)        learner = C.sgd(self.model.parameters,                        lr_schedule,                        gradient_clipping_threshold_per_sample=10)        progress_printer = C.logging.ProgressPrinter(500)        self.trainer = C.Trainer(self.model, (self.loss, meas), learner, progress_printer)        return self.model, self.trainer, self.loss    def train(self, x, y):        arguments = dict(zip(self.loss.arguments, [x,y]))        updated, results = self.trainer.train_minibatch(arguments, outputs=[self.loss.output])    def predict(self, s):        return self.model.eval([s])

这个类叫做Brain，就是对应的深度神经网络模型。模型的数据输入是observation，即当前的环境State。模型有两层，第一层是Dense层，即一个全连接层，有64个节点，使用RELU作为激活函数。第二个Dense层，有n_action个节点，作为模型的输出，即每个Action对应的Reward。注意这里的Action，实际上是Action的index。另外还有一个输入q_target是目标值，即最大的未来奖励。我们还定义了loss function和measure function，都是模型输出和q_target的方差。

Memory

class Memory: # stored as ( s, a, r, s_ )    samples = []    def __init(self):        pass    def add(self, sample):        self.samples.append(sample)    def sample(self, n):        n = min(n, len(self.samples))        return random.sample(self.samples, n)

Memory类存储了State（s），Action（a），Reward（r）和下一个State（s_）。

Agent

class Agent:    steps = 0    epsilon = max_epsilon    def __init__(self):        self.brain = Brain()        self.memory = Memory()    def act(self, s):        if random.random() < self.epsilon:            return random.randint(0, n_action-1)        else:            return np.argmax(self.brain.predict(s))    def observe(self, sample): # in (s, a, r, s_) format        self.memory.add(sample)        self.steps += 1        self.epsilon = min_epsilon + (max_epsilon - min_epsilon) * math.exp(-epsilon_decay * self.steps)    def replay(self):        batch = self.memory.sample(batch_size)        no_state = np.zeros(n_state)        states = np.array([ o[0] for o in batch ], dtype=np.float32)        states_ = np.array([ (no_state if o[3] is None else o[3]) for o in batch ], dtype=np.float32)        p = self.brain.predict(states)        p_ = self.brain.predict((states_))        x = np.zeros((len(batch), n_state)).astype(np.float32)        y = np.zeros((len(batch), n_action)).astype(np.float32)        for i in range(len(batch)):            s, a, r, s_ = batch[i]            t = p[0][i] # CNTK: [0] because of sequence dimension            if s_ is None:                t[a] = r            else:                t[a] = r + reward_discount * np.amax(p_[0][i])            x[i] = s            y[i] = t        self.brain.train(x, y)

Agent类实现了MDP的Agent。

方法act和observe实现了ε-greedy exploration算法。初始的时候，epsilon接近1，所以act方法的“andom.random() < self.epsilon”总是为True，因此Agent总是会随机选择一个Action。随着observe执行的次数增加，step越来越大，epsilon越来越小，那么随机选择的概率越来越小，act方法会越来越多的选择Brain预测的Reward最大的Action。这正是在上一章中描述的探索和开发困境的解决方法。

方法replay从Momory中随机选择样本，然后按照batch_size构建Brain的训练数据集。这里面有一个可能让人困惑的地方是“t = p[0][i]”，为啥要先取0这个index。这个是因为predict方法调用的CNTK的eval方法，返回的是一个list，而0这个index下面包含了shape为(batch_size, n_action)的数组。另外t[a]的赋值，用到了上一章说的折扣的未来奖励的概念。这里我们还可以看到，Brain的训练数据，是从Memory中取样，并且使用了Brain自己的predict方法，为每一个采样的(s, a)产生新的Reward，即最大的未来奖励，然后再用这些(s, a)去训练模型。

run

def run(agent):    s = env.reset()    R = 0    while True:        env.render()        a = agent.act(s.astype(np.float32))        s_, r, done, info = env.step(a)        if done:            s_ = None        agent.observe((s, a, r, s_))        agent.replay()        s = s_        R += r        if done:            return Ragent = Agent()epoch = 0reward_sum = 0while epoch < 30000:    reward = run(agent)    reward_sum += reward    epoch += 1    if epoch % epoch_baseline == 0:        print('Epoch %d, average reward is %f, memory size is %d'              % (epoch, reward_sum / epoch_baseline, len(agent.memory.samples)))        if reward_sum / epoch_baseline > reward_target:            print('Task solved in %d epoch' % epoch)            break        reward_sum = 0

run方法运行一次游戏。首先重置游戏环境，然后不停的用act方法从agent中读取一个动作，用step方法输入到游戏环境，拿到环境的反馈，用observe和replay方法将反馈更新到Agent并且训练神经网络模型，直到游戏结束。这里我们也可以看到上一章讲的经历重放：每一个Action之后，新的(s, a, r, s_)会被observe，即添加到Memory，然后会随机从Memory抽取batch_size个样本进行模型训练。

最后循环调用run方法，不停的玩游戏，直到按照gym的定义，CartPole-v0问题被解决了。按照目前的算法，大概需要2500个epoch才能解决问题（在gym的官网，一个叫Svalorzen的用户，用了42个epoch就解决了这个问题）。在调用的过程中，通过log我们可以发现，随着玩游戏的局数增加，Brain的能力确实在增强。所以Brain确实是从不会玩游戏，到玩2500次游戏之后，就玩得很好了。第一个epoch的时候，动作完全是随机的，有戏可能很快就结束了，这样的未来奖励会很低。通过选择高未来奖励的Action，Brain玩游戏的能力也越来越强。同样未来奖励也不断在增加。

最后再强调一下（如果你还没有意识到），我们在Agent的replay方法中，准备训练数据y的时候，给出的值的含义，实际上是在当前State，采取Action之后，能得到的最大的未来奖励Reward，参看上一章的贝尔曼方程。Brain的输出，实际上是去逼近这个值。这样本章开头的问题应该都被解决了。