0
| 本文作者： AI研習社 | 2017-06-02 11:17 |
雷鋒網按：本文作者楊浩，原文載于作者個人博客，雷鋒網已獲授權。
以下內容來源于一次部門內部的分享，主要針對AI初學者，介紹包括CNN、Deep Q Network以及TensorFlow平臺等內容。由于筆者并非深度學習算法研究者，因此以下更多從應用的角度對整個系統進行介紹，而不會進行詳細的公式推導。
關于Flappy Bird
Flappy Bird（非官方譯名：笨鳥先飛）是一款2013年鳥飛類游戲，由越南河內獨立游戲開發者阮哈東（Dong Nguyen）開發，另一個獨立游戲開發商GEARS Studios發布。—— 以上內來自《維基百科》
Flappy Bird操作簡單，通過點擊手機屏幕使Bird上升，穿過柱狀障礙物之后得分，碰到則游戲結束。由于障礙物高低不等，控制Bird上升和下降需要反應快并且靈活，要得到較高的分數并不容易，筆者目前最多得過10分。
本文主要介紹如何通過AI（人工智能）的方式玩Flappy Bird游戲，分為以下四個部分內容：
1. Flappy Bird 游戲展示
2. 模型：卷積神經網絡
3. 算法：Deep Q Network
4. 代碼：TensorFlow實現
在介紹模型、算法前先來直接看下效果，上圖是剛開始訓練的時候，畫面中的小鳥就像無頭蒼蠅一樣亂飛，下圖展示的是在本機（后面會給出配置）訓練超過10小時后（訓練步數超過2000000）的情況，其最好成績已經超過200分，人類玩家已基本不可能超越。
訓練數小于10000步（剛開始訓練）
訓練步數大于2000000步（10小時后）
由于本機配置了 CUDA 以及 cuDNN，采用了 NVIDIA 的顯卡進行并行計算，所以這里提前貼一下運行時的日志輸出。
關于CUDA以及cuDNN的配置，其中有一些坑包括：安裝CUDA之后循環登錄，屏幕分辨率無法正常調節等等，都是由于NVIDIA驅動安裝的問題，這不是本文要討論的主要內容，讀者可自行Google。
● 加載CUDA運算庫
加載CUDA運算庫
● TensorFlow運行設備 /gpu:0
TensorFlow運行設備/gpu:0
/gpu:0 這是TensorFlow平臺默認的配置方法，表示使用系統中的第一塊顯卡。
本機軟硬件配置：
系統：Ubuntu 16.04
顯卡：NVIDIA GeForce GTX 745 4G
版本：TensorFlow 1.0
軟件包：OpenCV 3.2.0、Pygame、Numpy、…
細心的朋友可能發現，筆者的顯卡配置并不高，GeForce GTX 745，顯存3.94G，可用3.77G（桌面占用了一部分），屬于入門中的入門。對于專業做深度學習算法的朋友，這個顯卡必然是不夠的。知乎上有帖子教大家怎么配置更專業的顯卡，有興趣的可以移步。
神經網絡算法是由眾多的神經元可調的連接權值連接而成，具有大規模并行處理、分布式信息存儲、良好的自組織自學習能力等特點。人工神經元與生物神經元結構類似，其結構對比如下圖所示。
生物神經元
人工神經元
人工神經元的輸入（x1,x2...xm）類似于生物神經元的樹突，輸入經過不同的權值（wk1, wk2, ....wkn），加上偏置，經過激活函數得到輸出，最后將輸出傳輸到下一層神經元進行處理。
單神經元輸出函數
激活函數為整個網絡引入了非線性特性，這也是神經網絡相比于回歸等算法擬合能力更強的原因。常用的激活函數包括sigmoid、tanh等，它們的函數表達式如下：
sigmoid函數
tanh雙曲正切函數
這里可以看出，sigmoid函數的值域是（0,1），tanh函數的值域是（-1,1）。
卷積神經網絡起源于動物的視覺系統，主要包含的技術是：
1. 局部感知域（稀疏連接）；
2. 參數共享；
3. 多卷積核；
4. 池化。
● 1. 局部感知域（稀疏連接）
全連接網絡的問題在于：
1. 需要訓練的參數過多，容器導致結果不收斂（梯度消失），且訓練難度極大；
2. 實際上對于某個局部的神經元來講，它更加敏感的是小范圍內的輸入，換句話說，對于較遠的輸入，其相關性很低，權值也就非常小。
人類的視覺系統決定了人在觀察外界的時候，總是從局部到全局。
比如，我們看到一個美女，可能最先觀察到的是美女身上的某些部位（自己體會）。
因此，卷積神經網絡與人類的視覺類似，采用局部感知，低層的神經元只負責感知局部的信息，在向后傳輸的過程中，高層的神經元將局部信息綜合起來得到全局信息。
全連接與局部連接的對比（圖片來自互聯網）
從上圖中可以看出，采用局部連接之后，可以大大的降低訓練參數的量級。
● 2. 參數共享
雖然通過局部感知降低了訓練參數的量級，但整個網絡需要訓練的參數依然很多。
參數共享就是將多個具有相同統計特征的參數設置為相同，其依據是圖像中一部分的統計特征與其它部分是一樣的。其實現是通過對圖像進行卷積（卷積神經網絡命名的來源）。
可以理解為，比如從一張圖像中的某個局部（卷積核大小）提取了某種特征，然后以這種特征為探測器，應用到整個圖像中，對整個圖像順序進行卷積，得到不同的特征。
卷積過程（圖片來自互聯網）
每個卷積都是一種特征提取方式，就像一個篩子，將圖像中符合條件（激活值越大越符合條件）的部分篩選出來，通過這種卷積就進一步降低訓練參數的量級。
● 3. 多卷積核
如上，每個卷積都是一種特征提取方式，那么對于整幅圖像來講，單個卷積核提取的特征肯定是不夠的，那么對同一幅圖像使用多種卷積核進行特征提取，就能得到多幅特征圖（feature map）。
不同的卷積核提取不同的特征（圖片來自互聯網）
多幅特征圖可以看成是同一張圖像的不同通道，這個概念在后面代碼實現的時候用得上。
● 4. 池化
得到特征圖之后，可以使用提取到的特征去訓練分類器，但依然會面臨特征維度過多，難以計算，并且可能過擬合的問題。從圖像識別的角度來講，圖像可能存在偏移、旋轉等，但圖像的主體卻相同的情況。也就是不同的特征向量可能對應著相同的結果，那么池化就是解決這個問題的。
池化過程（圖片來自互聯網）
池化就是將池化核范圍內（比如2*2范圍）的訓練參數采用平均值（平均值池化）或最大值（最大值池化）來進行替代。
終于到了展示模型的時候，下面這幅圖是筆者手畫的（用電腦畫太費時，將就看吧），這幅圖展示了本文中用于訓練游戲所用的卷積神經網絡模型。
卷積神經網絡模型
圖像的處理過程
1. 初始輸入四幅圖像80×80×4（4代表輸入通道，初始時四幅圖像是完全一致的），經過卷積核8×8×4×32（輸入通道4，輸出通道32），步距為4（每步卷積走4個像素點），得到32幅特征圖（feature map），大小為20×20；
2. 將20×20的圖像進行池化，池化核為2×2，得到圖像大小為10×10；
3. 再次卷積，卷積核為4×4×32×64，步距為2，得到圖像5×5×64；
4. 再次卷積，卷積核為3×3×64*64，步距為2，得到圖像5×5×64，雖然與上一步得到的圖像規模一致，但再次卷積之后的圖像信息更為抽象，也更接近全局信息；
5. Reshape，即將多維特征圖轉換為特征向量，得到1600維的特征向量；
6. 經過全連接1600×512，得到512維特征向量；
7. 再次全連接512×2，得到最終的2維向量[0,1]和[1,0]，分別代表游戲屏幕上的是否點擊事件。
可以看出，該模型實現了端到端的學習，輸入的是游戲屏幕的截圖信息（代碼中經過opencv處理），輸出的是游戲的動作，即是否點擊屏幕。深度學習的強大在于其數據擬合能力，不需要傳統機器學習中復雜的特征提取過程，而是依靠模型發現數據內部的關系。
不過這也帶來另一方面的問題，那就是深度學習高度依賴大量的標簽數據，而這些數據獲取成本極高。
有了卷積神經網絡模型，那么怎樣訓練模型？使得模型收斂，從而能夠指導游戲動作呢？機器學習分為監督學習、非監督學習和強化學習，這里要介紹的Q Network屬于強化學習（Reinforcement Learning）的范疇。在正式介紹Q Network之前，先簡單說下它的光榮歷史。
2014年Google 4億美金收購DeepMind的橋段，大家可能聽說過。那么，DeepMind是如何被Google給盯上的呢？最終原因可以歸咎為這篇論文：
DeepMind團隊通過強化學習，完成了20多種游戲，實現了端到端的學習。其用到的算法就是Q Network。2015年，DeepMind團隊在《Nature》上發表了一篇升級版：
自此，在這類游戲領域，人已經無法超過機器了。后來又有了AlphaGo，以及Master，當然，這都是后話了。其實本文也屬于上述論文的范疇，只不過基于TensorFlow平臺進行了實現，加入了一些筆者自己的理解而已。
回到正題，Q Network屬于強化學習，那么先介紹下強化學習。
強化學習模型
這張圖是從UCL的課程中拷出來的，課程鏈接地址（YouTube）：
強化學習過程有兩個組成部分：
● 智能代理（學習系統）
● 環境
如圖所示，在每步迭代過程中，首先智能代理（學習系統）接收環境的狀態st，然后產生動作at作用于環境，環境接收動作at，并且對其進行評價，反饋給智能代理rt。不斷的循環這個過程，就會產生一個狀態/動作/反饋的序列：（s1, a1, r1, s2, a2, r2.....,sn, an, rn），而這個序列讓我們很自然的想起了:
● 馬爾科夫決策過程
MDP：馬爾科夫決策過程
馬爾科夫決策過程與著名的HMM（隱馬爾科夫模型）相同的是，它們都具有馬爾科夫特性。那么什么是馬爾科夫特性呢？簡單來說，就是未來的狀態只取決于當前的狀態，與過去的狀態無關。
HMM（馬爾科夫模型）在語音識別，行為識別等機器學習領域有較為廣泛的應用。條件隨機場模型（Conditional Random Field）則用于自然語言處理。兩大模型是語音識別、自然語言處理領域的基石。
上圖可以用一個很形象的例子來說明。比如你畢業進入了一個公司，你的初始職級是T1（對應圖中的 s1），你在工作上刻苦努力，追求上進（對應圖中的a1），然后領導覺得你不錯，準備給你升職（對應圖中的r1），于是，你升到了T2；你繼續刻苦努力，追求上進......不斷的努力，不斷的升職，最后升到了sn。當然，你也有可能不努力上進，這也是一種動作，換句話說，該動作a也屬于動作集合A，然后得到的反饋r就是沒有升職加薪的機會。
這里注意下，我們當然希望獲取最多的升職，那么問題轉換為：如何根據當前狀態s（s屬于狀態集S），從A中選取動作a執行于環境，從而獲取最多的r，即r1 + r2 ……+rn的和最大 ？這里必須要引入一個數學公式：狀態值函數。
狀態值函數模型
公式中有個折合因子γ，其取值范圍為[0,1]，當其為0時，表示只考慮當前動作對當前的影響，不考慮對后續步驟的影響，當其為1時，表示當前動作對后續每步都有均等的影響。當然，實際情況通常是當前動作對后續得分有一定的影響，但隨著步數增加，其影響減小。
從公式中可以看出，狀態值函數可以通過迭代的方式來求解。增強學習的目的就是求解馬爾可夫決策過程（MDP）的最優策略。
策略就是如何根據環境選取動作來執行的依據。策略分為穩定的策略和不穩定的策略，穩定的策略在相同的環境下，總是會給出相同的動作，不穩定的策略則反之，這里我們主要討論穩定的策略。
求解上述狀態函數需要采用動態規劃的方法，而具體到公式，不得不提：
● 貝爾曼方程
貝爾曼方程
其中，π代表上述提到的策略，Q π (s, a)相比于V π (s)，引入了動作，被稱作動作值函數。對貝爾曼方程求最優解，就得到了貝爾曼最優性方程。
狀態值函數最優解
動作值函數最優解
求解該方程有兩種方法：策略迭代和值迭代。
● 策略迭代
策略迭代分為兩個步驟：策略評估和策略改進，即首先評估策略，得到狀態值函數，其次，改進策略，如果新的策略比之前好，就替代老的策略。
策略迭代
● 值迭代
從上面我們可以看到，策略迭代算法包含了一個策略估計的過程，而策略估計則需要掃描(sweep)所有的狀態若干次，其中巨大的計算量直接影響了策略迭代算法的效率。而值迭代每次只掃描一次，更新過程如下：
值迭代
即在值迭代的第k+1次迭代時，直接將能獲得的最大的Vπ(s)值賦給Vk+1。
● Q-Learning
Q-Learning是根據值迭代的思路來進行學習的。該算法中，Q值更新的方法如下：
Q值更新方法
雖然根據值迭代計算出目標Q值，但是這里并沒有直接將這個Q值（是估計值）直接賦予新的Q，而是采用漸進的方式類似梯度下降，朝目標邁近一小步，取決于α，這就能夠減少估計誤差造成的影響。類似隨機梯度下降，最后可以收斂到最優的Q值。具體算法如下：
Q-Learning算法
如果沒有接觸過動態規劃的童鞋看上述公式可能有點頭大，下面通過表格來演示下Q值更新的過程，大家就明白了。
Q-Learning算法的過程就是存儲Q值的過程。上表中，橫列為狀態s，縱列為Action a，s和a決定了表中的Q值。
● 第一步：初始化，將表中的Q值全部置0；
● 第二步：根據策略及狀態s，選擇a執行。假定當前狀態為s1，由于初始值都為0，所以任意選取a執行，假定這里選取了a2執行，得到了reward為1，并且進入了狀態s3。根據Q值更新公式：
Q值更新公式
來更新Q值，這里我們假設α是1，λ也等于1，也就是每一次都把目標Q值賦給Q。那么這里公式變成：
Q值更新公式
所以在這里，就是
本次Q值更新
那么對應的s3狀態，最大值是0，所以
Q值
Q表格就變成：
然后置位當前狀態s為s3。
● 第三步：繼續循環操作，進入下一次動作，當前狀態是s3，假設選擇動作a3，然后得到reward為2，狀態變成s1，那么我們同樣進行更新：
Q值更新
所以Q的表格就變成：
● 第四步： 繼續循環，Q值在試驗的同時反復更新，直到收斂。
上述表格演示了具有4種狀態/4種行為的系統，然而在實際應用中，以本文講到的Flappy Bird游戲為例，界面為80*80個像素點，每個像素點的色值有256種可能。那么實際的狀態總數為256的80*80次方，這是一個很大的數字，直接導致無法通過表格的思路進行計算。
因此，為了實現降維，這里引入了一個價值函數近似的方法，通過一個函數表近似表達價值函數：
價值函數近似
其中，ω 與 b 分別為參數。看到這里，終于可以聯系到前面提到的神經網絡了，上面的表達式不就是神經元的函數嗎？
● Q-network
下面這張圖來自論文《Human-level Control through Deep Reinforcement Learning》，其中詳細介紹了上述將Q值神經網絡化的過程。（感興趣的可以點之前的鏈接了解原文～）
Q-network
以本文為例，輸入是經過處理的4個連續的80x80圖像，然后經過三個卷積層，一個池化層，兩個全連接層，最后輸出包含每一個動作Q值的向量。
現在已經將Q-learning神經網絡化為Q-network了，接下來的問題是如何訓練這個神經網絡。神經網絡訓練的過程其實就是一個最優化方程求解的過程，定義系統的損失函數，然后讓損失函數最小化的過程。
訓練過程依賴于上述提到的DQN算法，以目標Q值作為標簽，因此，損失函數可以定義為：
DQN損失函數（來源于論文）
上面公式是s'，a'即下一個狀態和動作。確定了損失函數，確定了獲取樣本的方式，DQN的整個算法也就成型了！
DQN算法（來源于論文）
值得注意的是這里的D—Experience Replay，也就是經驗池，就是如何存儲樣本及采樣的問題。
由于玩Flappy Bird游戲，采集的樣本是一個時間序列，樣本之間具有連續性，如果每次得到樣本就更新Q值，受樣本分布影響，效果會不好。因此，一個很直接的想法就是把樣本先存起來，然后隨機采樣如何？這就是Experience Replay的思想。
算法實現上，先反復實驗，并且將實驗數據存儲在D中；存儲到一定程度，就從中隨機抽取數據，對損失函數進行梯度下降。
終于到了看代碼的時候。首先申明下，當筆者從Deep Mind的論文入手，試圖用TensorFlow實現對Flappy Bird游戲進行實現時，發現github已有大神完成demo。思路相同，所以直接以公開代碼為例進行分析說明了。
如有源碼需要，請移步github：Using Deep Q-Network to Learn How To Play Flappy Bird。
代碼從結構上來講，主要分為以下幾部分：
● GameState游戲類，frame_step方法控制移動
● CNN模型構建
● OpenCV-Python圖像預處理方法
● 模型訓練過程
1. GameState游戲類及frame_step方法
通過Python實現游戲必然要用pygame庫，其包含時鐘、基本的顯示控制、各種游戲控件、觸發事件等，對此有興趣的，可以詳細了解pygame。frame_step方法的入參為shape為 (2,) 的ndarray，值域： [1,0]：什么都不做； [0,1]：提升Bird。來看下代碼實現：
if input_actions[1] == 1:
if self.playery > -2 * PLAYER_HEIGHT:
self.playerVelY = self.playerFlapAcc
self.playerFlapped = True
# SOUNDS['wing'].play()
后續操作包括檢查得分、設置界面、檢查是否碰撞等，這里不再詳細展開。
frame_step方法的返回值是：
return image_data, reward, terminal
分別表示界面圖像數據，得分以及是否結束游戲。對應前面強化學習模型，界面圖像數據表示環境狀態 s，得分表示環境給予學習系統的反饋 r。
2. CNN模型構建
該Demo中包含三個卷積層，一個池化層，兩個全連接層，最后輸出包含每一個動作Q值的向量。因此，首先定義權重、偏置、卷積和池化函數：
# 權重
def weight_variable(shape):
initial = tf.truncated_normal(shape, stddev=0.01)
return tf.Variable(initial)
# 偏置
def bias_variable(shape):
initial = tf.constant(0.01, shape=shape)
return tf.Variable(initial)
# 卷積
def conv2d(x, W, stride):
return tf.nn.conv2d(x, W, strides=[1, stride, stride, 1], padding="SAME")
# 池化
def max_pool_2x2(x):
return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding="SAME")
然后，通過上述函數構建卷積神經網絡模型（對代碼中參數不解的，可直接往前翻，看上面那張手畫的圖）。
def createNetwork():
# 第一層卷積
W_conv1 = weight_variable([8, 8, 4, 32])
b_conv1 = bias_variable([32])
# 第二層卷積
W_conv2 = weight_variable([4, 4, 32, 64])
b_conv2 = bias_variable([64])
# 第三層卷積
W_conv3 = weight_variable([3, 3, 64, 64])
b_conv3 = bias_variable([64])
# 第一層全連接
W_fc1 = weight_variable([1600, 512])
b_fc1 = bias_variable([512])
# 第二層全連接
W_fc2 = weight_variable([512, ACTIONS])
b_fc2 = bias_variable([ACTIONS])
# 輸入層
s = tf.placeholder("float", [None, 80, 80, 4])
# 第一層隱藏層+池化層
h_conv1 = tf.nn.relu(conv2d(s, W_conv1, 4) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)
# 第二層隱藏層（這里只用了一層池化層）
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2, 2) + b_conv2)
# h_pool2 = max_pool_2x2(h_conv2)
# 第三層隱藏層
h_conv3 = tf.nn.relu(conv2d(h_conv2, W_conv3, 1) + b_conv3)
# h_pool3 = max_pool_2x2(h_conv3)
# Reshape
# h_pool3_flat = tf.reshape(h_pool3, [-1, 256])
h_conv3_flat = tf.reshape(h_conv3, [-1, 1600])
# 全連接層
h_fc1 = tf.nn.relu(tf.matmul(h_conv3_flat, W_fc1) + b_fc1)
# 輸出層
# readout layer
readout = tf.matmul(h_fc1, W_fc2) + b_fc2
return s, readout, h_fc1
3. OpenCV-Python圖像預處理方法
在Ubuntu中安裝opencv的步驟比較麻煩，當時也踩了不少坑，各種Google解決。建議安裝opencv3。
這部分主要對frame_step方法返回的數據進行了灰度化和二值化，也就是最基本的圖像預處理方法。
x_t, r_0, terminal = game_state.frame_step(do_nothing)
# 首先將圖像轉換為80*80，然后進行灰度化
x_t = cv2.cvtColor(cv2.resize(x_t, (80, 80)), cv2.COLOR_BGR2GRAY)
# 對灰度圖像二值化
ret, x_t = cv2.threshold(x_t, 1, 255, cv2.THRESH_BINARY)
# 四通道輸入圖像
s_t = np.stack((x_t, x_t, x_t, x_t), axis=2)
4. DQN訓練過程
這是代碼部分要講的重點，也是上述Q-learning算法的代碼化。
i. 在進入訓練之前，首先創建一些變量：
# define the cost function
a = tf.placeholder("float", [None, ACTIONS])
y = tf.placeholder("float", [None])
readout_action = tf.reduce_sum(tf.multiply(readout, a), axis=1)
cost = tf.reduce_mean(tf.square(y - readout_action))
train_step = tf.train.AdamOptimizer(1e-6).minimize(cost)
# open up a game state to communicate with emulator
game_state = game.GameState()
# store the previous observations in replay memory
D = deque()
在TensorFlow中，通常有三種讀取數據的方式：Feeding、Reading from files和Preloaded data。Feeding是最常用也最有效的方法。即在模型（Graph）構建之前，先使用placeholder進行占位，但此時并沒有訓練數據，訓練是通過feed_dict傳入數據。
這里的a表示輸出的動作，即強化學習模型中的Action，y表示標簽值，readout_action表示模型輸出與a相乘后，在一維求和，損失函數對標簽值與輸出值的差進行平方，train_step表示對損失函數進行Adam優化。
賦值的過程為：
# perform gradient step
train_step.run(feed_dict={
y: y_batch,
a: a_batch,
s: s_j_batch}
)
ii. 創建游戲及經驗池 D
# open up a game state to communicate with emulator
game_state = game.GameState()
# store the previous observations in replay memory
D = deque()
經驗池 D采用了隊列的數據結構，是TensorFlow中最基礎的數據結構，可以通過dequeue()和enqueue([y])方法進行取出和壓入數據。經驗池 D用來存儲實驗過程中的數據，后面的訓練過程會從中隨機取出一定量的batch進行訓練。
變量創建完成之后，需要調用TensorFlow系統方法tf.global_variables_initializer()添加一個操作實現變量初始化。運行時機是在模型構建完成，Session建立之初。比如：
# Create two variables.
weights = tf.Variable(tf.random_normal([784, 200], stddev=0.35),
name="weights")
biases = tf.Variable(tf.zeros([200]), name="biases")
...
# Add an op to initialize the variables.
init_op = tf.global_variables_initializer()
# Later, when launching the model
with tf.Session() as sess:
# Run the init operation.
sess.run(init_op)
...
# Use the model
...
iii. 參數保存及加載
采用TensorFlow訓練模型，需要將訓練得到的參數進行保存，不然一關機，就一夜回到解放前了。TensorFlow采用Saver來保存。一般在Session()建立之前，通過tf.train.Saver()獲取Saver實例。
saver = tf.train.Saver()
變量的恢復使用saver的restore方法：
# Create some variables.
v1 = tf.Variable(..., name="v1")
v2 = tf.Variable(..., name="v2")
...
# Add ops to save and restore all the variables.
saver = tf.train.Saver()
# Later, launch the model, use the saver to restore variables from disk, and
# do some work with the model.
with tf.Session() as sess:
# Restore variables from disk.
saver.restore(sess, "/tmp/model.ckpt")
print("Model restored.")
# Do some work with the model
...
在該Demo訓練時，也采用了Saver進行參數保存。
# saving and loading networks
saver = tf.train.Saver()
checkpoint = tf.train.get_checkpoint_state("saved_networks")
if checkpoint and checkpoint.model_checkpoint_path:
saver.restore(sess, checkpoint.model_checkpoint_path)
print("Successfully loaded:", checkpoint.model_checkpoint_path)
else:
print("Could not find old network weights")
首先加載CheckPointState文件，然后采用saver.restore對已存在參數進行恢復。
在該Demo中，每隔10000步，就對參數進行保存：
# save progress every 10000 iterations
if t % 10000 == 0:
saver.save(sess, 'saved_networks/' + GAME + '-dqn', global_step=t)
iv. 實驗及樣本存儲
首先，根據ε 概率選擇一個Action。
# choose an action epsilon greedily
readout_t = readout.eval(feed_dict={s: [s_t]})[0]
a_t = np.zeros([ACTIONS])
action_index = 0
if t % FRAME_PER_ACTION == 0:
if random.random() <= epsilon:
print("----------Random Action----------")
action_index = random.randrange(ACTIONS)
a_t[random.randrange(ACTIONS)] = 1
else:
action_index = np.argmax(readout_t)
a_t[action_index] = 1
else:
a_t[0] = 1 # do nothing
這里，readout_t是訓練數據為之前提到的四通道圖像的模型輸出。a_t是根據ε 概率選擇的Action。
其次，執行選擇的動作，并保存返回的狀態、得分。
# run the selected action and observe next state and reward
x_t1_colored, r_t, terminal = game_state.frame_step(a_t)
x_t1 = cv2.cvtColor(cv2.resize(x_t1_colored, (80, 80)), cv2.COLOR_BGR2GRAY)
ret, x_t1 = cv2.threshold(x_t1, 1, 255, cv2.THRESH_BINARY)
x_t1 = np.reshape(x_t1, (80, 80, 1))
# s_t1 = np.append(x_t1, s_t[:,:,1:], axis = 2)
s_t1 = np.append(x_t1, s_t[:, :, :3], axis=2)
# store the transition in D
D.append((s_t, a_t, r_t, s_t1, terminal))
經驗池D保存的是一個馬爾科夫序列。(s_t, a_t, r_t, s_t1, terminal)分別表示t時的狀態s_t，執行的動作a_t，得到的反饋r_t，以及得到的下一步的狀態s_t1和游戲是否結束的標志terminal。
在下一訓練過程中，更新當前狀態及步數：
# update the old values
s_t = s_t1
t += 1
重復上述過程，實現反復實驗及樣本存儲。
v. 通過梯度下降進行模型訓練
在實驗一段時間后，經驗池D中已經保存了一些樣本數據后，就可以從這些樣本數據中隨機抽樣，進行模型訓練了。這里設置樣本數為OBSERVE = 100000.。隨機抽樣的樣本數為BATCH = 32。
if t > OBSERVE:
# sample a minibatch to train on
minibatch = random.sample(D, BATCH)
# get the batch variables
s_j_batch = [d[0] for d in minibatch]
a_batch = [d[1] for d in minibatch]
r_batch = [d[2] for d in minibatch]
s_j1_batch = [d[3] for d in minibatch]
y_batch = []
readout_j1_batch = readout.eval(feed_dict={s: s_j1_batch})
for i in range(0, len(minibatch)):
terminal = minibatch[i][4]
# if terminal, only equals reward
if terminal:
y_batch.append(r_batch[i])
else:
y_batch.append(r_batch[i] + GAMMA * np.max(readout_j1_batch[i]))
# perform gradient step
train_step.run(feed_dict={
y: y_batch,
a: a_batch,
s: s_j_batch}
)
s_j_batch、a_batch、r_batch、s_j1_batch是從經驗池D中提取到的馬爾科夫序列（Java童鞋羨慕Python的列表推導式啊），y_batch為標簽值，若游戲結束，則不存在下一步中狀態對應的Q值（回憶Q值更新過程），直接添加r_batch，若未結束，則用折合因子（0.99）和下一步中狀態的最大Q值的乘積，添加至y_batch。
最后，執行梯度下降訓練，train_step的入參是s_j_batch、a_batch和y_batch。差不多經過2000000步（在本機上大概10個小時）訓練之后，就能達到本文開頭動圖中的效果啦。
以上。
雷鋒網相關閱讀：
雷峰網版權文章，未經授權禁止轉載。詳情見轉載須知。
