主頁 >  其他 > 強化學習keras DQN MountainCar程式無法收斂

強化學習keras DQN MountainCar程式無法收斂

2021-05-26 00:47:13 其他

本人以前主要做回圈神經網路方面的作業,最近想上手強化學習。因此編了幾個樣例測驗一下。在mountaincar樣例上被卡了一個月,希望有大佬能在百忙之中抽出時間給看一下,感激不盡。
該程式是基于keras庫的DQN強化學習程式,在cartpole問題中表現良好,但是在mountaincar問題上始終無法收斂。我也曾與其他人撰寫的程式進行逐句對比,但始終找不到問題在哪。希望有緣人能夠解答。或者能否告知解決問題的一些網址。這是第一次提問,實在搞不定了,謝謝謝謝。


import numpy as np
from tensorflow.keras import models, layers, optimizers
import gym
import random
from collections import deque

BATCH_SIZE = 64
TRAINING_EPISODE = 1000
SAMPLE_EPISODE = 3
LEARNING_EPISODE = 3

class model(object):
    def __init__(self, obs_num, act_num):
        self.obs_num = obs_num
        self.dense1_size = 100
        self.act_num = act_num
    def model_construct(self):
        inputs = layers.Input(shape = (self.obs_num, ), batch_size = BATCH_SIZE)
        x = layers.Dense(self.dense1_size, activation = 'relu')(inputs)
        outputs = layers.Dense(self.act_num)(x)
        model = models.Model(inputs = inputs, outputs = outputs)
        return model

class RL_algorithm(model):
    def __init__(self, obs_num, act_num, learning_rate = 0.001, r_delay = 0.95, e_greedy = [0.1, 0.99, 0.01], memory_size = 2000):
        self.obs_num = obs_num
        self.act_num = act_num
        self.step_num = 0
        super(RL_algorithm, self).__init__(obs_num = self.obs_num, act_num = self.act_num)
        self.model = self.model_construct()
        self.model.compile(loss= 'mse', optimizer = optimizers.Adam(learning_rate))
        self.model_target = self.model_construct()
        self.model_target.compile(loss= 'mse', optimizer = optimizers.Adam(learning_rate))
        self.model_target.set_weights(self.model.get_weights())
        self.memory = deque(maxlen = memory_size)
        self.r_delay = r_delay
        self.e_greedy, self.e_greedy_decay, self.e_greedy_min = e_greedy  #貪心初始值、衰減比、最小值
    
    def predict(self, obs):
        act = np.argmax(self.model.predict(obs))
        return act
    
    def esample(self, obs):
        if np.random.uniform(0, 1) > self.e_greedy:
            act = self.predict(obs)
        else:
            act = np.random.randint(self.act_num)
        return act
    
    def sync_target(self):
        self.model_target.set_weights(self.model.get_weights())
        
    def egreedy_update(self):
        if self.e_greedy > self.e_greedy_min:
            self.e_greedy *= self.e_greedy_decay
            
    def remember(self, data):
        self.memory.append(data)
        
    def learn(self, obs, act, reward, obs_, done):
        Q_predict = self.model.predict(obs)
        Q_target = self.model_target.predict(obs_)
        for i in range(BATCH_SIZE):
            Q_predict[i, act[i]] = reward[i] + (1-done[i]) * self.r_delay * np.max(Q_target[i, :])
        loss = self.model.train_on_batch(obs, Q_predict)
        return loss
              
def run_episode():
    obs = env.reset()
    done = False
    reward_total = 0
    while not done:
        act = DQN.esample(obs.reshape([1, -1]))
        obs_, reward, done, _ = env.step(act)
        reward_total += reward
        if done and reward_total > -200:
            reward = 100
        DQN.remember([obs, act, reward, obs_, done])
        obs = obs_
    return reward_total
        
def learn_episode():
    DQN.step_num += 1
    samples = random.sample(DQN.memory, BATCH_SIZE)
    S, A, R, S_, D = [], [], [], [], []
    for experiment in samples:
        S.append(experiment[0])
        A.append(experiment[1])
        R.append(experiment[2])
        S_.append(experiment[3])
        D.append(experiment[4])
    S = np.array(S).astype(np.float32)
    A = np.array(A)
    R = np.array(R).astype(np.float32)
    S_ = np.array(S_).astype(np.float32)
    D = np.array(D).astype(np.float32)
    loss = DQN.learn(S, A, R, S_, D)
    return loss
    
def test_episode():
    obs = env.reset()
    done = False
    reward_total = 0
    step = 0
    while not done:
        act = DQN.predict(obs.reshape([1, -1]))
        obs_, reward, done, _ = env.step(act)
        reward_total += reward
        obs = obs_
        step += 1
    return reward_total, step
            
def train():
    reward_max = -200
    for j in range(TRAINING_EPISODE):
        for i in range(SAMPLE_EPISODE):
            reward = run_episode()
            if reward > reward_max:
                reward_max = reward
        if len(DQN.memory) > 0.2 * DQN.memory.maxlen:
            for i in range(LEARNING_EPISODE):
                loss = learn_episode()
            if j % 50 == 0:
                DQN.sync_target()
                DQN.egreedy_update()
                reward, step = test_episode()
                print('training_step: ', j, ', reward: ', reward, 'reward_max: ', reward_max, 
                      ', complete_step: ', step, 'loss: ', loss)
        
def play():
    obs = env.reset()
    env.render()
    done = False
    reward_total = 0
    while not done:
        act = DQN.predict(obs.reshape([1, -1]))
        obs_, reward, done, _ = env.step(act)
        reward_total += reward
        obs = obs_
        env.render()
    print('play  ', ' reward:', int(reward_sum))  
    
env = gym.make('MountainCar-v0')
print('env.observation_space.shape[0] ', env.observation_space.shape[0], 'env.action_space.n ', env.action_space.n)
DQN = RL_algorithm(obs_num = env.observation_space.shape[0], act_num = env.action_space.n)
train()
play()



training_step:  0 , reward:  -200.0 reward_max:  -200 , complete_step:  200 loss:  0.31284344
training_step:  50 , reward:  -200.0 reward_max:  -200 , complete_step:  200 loss:  0.007191833
training_step:  100 , reward:  -200.0 reward_max:  -200 , complete_step:  200 loss:  0.008682369
training_step:  150 , reward:  -200.0 reward_max:  -200 , complete_step:  200 loss:  0.001420379
training_step:  200 , reward:  -200.0 reward_max:  -200 , complete_step:  200 loss:  0.00081316015
training_step:  250 , reward:  -200.0 reward_max:  -200 , complete_step:  200 loss:  0.0016744572
training_step:  300 , reward:  -200.0 reward_max:  -200 , complete_step:  200 loss:  0.0013028746
training_step:  350 , reward:  -200.0 reward_max:  -200 , complete_step:  200 loss:  0.0029593487
training_step:  400 , reward:  -200.0 reward_max:  -200 , complete_step:  200 loss:  0.13958925
training_step:  450 , reward:  -200.0 reward_max:  -200 , complete_step:  200 loss:  0.26738104
training_step:  500 , reward:  -200.0 reward_max:  -200 , complete_step:  200 loss:  0.0024652109
training_step:  550 , reward:  -200.0 reward_max:  -200 , complete_step:  200 loss:  0.002346919
training_step:  600 , reward:  -200.0 reward_max:  -200 , complete_step:  200 loss:  0.001029348
training_step:  650 , reward:  -200.0 reward_max:  -200 , complete_step:  200 loss:  0.3641917
training_step:  700 , reward:  -200.0 reward_max:  -200 , complete_step:  200 loss:  0.41639945
training_step:  750 , reward:  -200.0 reward_max:  -200 , complete_step:  200 loss:  0.0008203614
training_step:  800 , reward:  -200.0 reward_max:  -200 , complete_step:  200 loss:  0.0031921547
training_step:  850 , reward:  -200.0 reward_max:  -200 , complete_step:  200 loss:  0.003967342
training_step:  900 , reward:  -200.0 reward_max:  -200 , complete_step:  200 loss:  0.0011411577
training_step:  950 , reward:  -200.0 reward_max:  -200 , complete_step:  200 loss:  0.0059003183

轉載請註明出處,本文鏈接:https://www.uj5u.com/qita/285000.html

標籤:腳本語言(Perl/Python)

上一篇:Mutiline中粘貼文本后再敲空格就會換行,這是怎么回事?

下一篇:求助,飛船不能上下移動,可以左右移動,百思不得其解

標籤雲
其他(157675) Python(38076) JavaScript(25376) Java(17977) C(15215) 區塊鏈(8255) C#(7972) AI(7469) 爪哇(7425) MySQL(7132) html(6777) 基礎類(6313) sql(6102) 熊猫(6058) PHP(5869) 数组(5741) R(5409) Linux(5327) 反应(5209) 腳本語言(PerlPython)(5129) 非技術區(4971) Android(4554) 数据框(4311) css(4259) 节点.js(4032) C語言(3288) json(3245) 列表(3129) 扑(3119) C++語言(3117) 安卓(2998) 打字稿(2995) VBA(2789) Java相關(2746) 疑難問題(2699) 细绳(2522) 單片機工控(2479) iOS(2429) ASP.NET(2402) MongoDB(2323) 麻木的(2285) 正则表达式(2254) 字典(2211) 循环(2198) 迅速(2185) 擅长(2169) 镖(2155) 功能(1967) .NET技术(1958) Web開發(1951) python-3.x(1918) HtmlCss(1915) 弹簧靴(1913) C++(1909) xml(1889) PostgreSQL(1872) .NETCore(1853) 谷歌表格(1846) Unity3D(1843) for循环(1842)

熱門瀏覽
  • 網閘典型架構簡述

    網閘架構一般分為兩種:三主機的三系統架構網閘和雙主機的2+1架構網閘。 三主機架構分別為內端機、外端機和仲裁機。三機無論從軟體和硬體上均各自獨立。首先從硬體上來看,三機都用各自獨立的主板、記憶體及存盤設備。從軟體上來看,三機有各自獨立的作業系統。這樣能達到完全的三機獨立。對于“2+1”系統,“2”分為 ......

    uj5u.com 2020-09-10 02:00:44 more
  • 如何從xshell上傳檔案到centos linux虛擬機里

    如何從xshell上傳檔案到centos linux虛擬機里及:虛擬機CentOs下執行 yum -y install lrzsz命令,出現錯誤:鏡像無法找到軟體包 前言 一、安裝lrzsz步驟 二、上傳檔案 三、遇到的問題及解決方案 總結 前言 提示:其實很簡單,往虛擬機上安裝一個上傳檔案的工具 ......

    uj5u.com 2020-09-10 02:00:47 more
  • 一、SQLMAP入門

    一、SQLMAP入門 1、判斷是否存在注入 sqlmap.py -u 網址/id=1 id=1不可缺少。當注入點后面的引數大于兩個時。需要加雙引號, sqlmap.py -u "網址/id=1&uid=1" 2、判斷文本中的請求是否存在注入 從文本中加載http請求,SQLMAP可以從一個文本檔案中 ......

    uj5u.com 2020-09-10 02:00:50 more
  • Metasploit 簡單使用教程

    metasploit 簡單使用教程 浩先生, 2020-08-28 16:18:25 分類專欄: kail 網路安全 linux 文章標簽: linux資訊安全 編輯 著作權 metasploit 使用教程 前言 一、Metasploit是什么? 二、準備作業 三、具體步驟 前言 Msfconsole ......

    uj5u.com 2020-09-10 02:00:53 more
  • 游戲逆向之驅動層與用戶層通訊

    驅動層代碼: #pragma once #include <ntifs.h> #define add_code CTL_CODE(FILE_DEVICE_UNKNOWN,0x800,METHOD_BUFFERED,FILE_ANY_ACCESS) /* 更多游戲逆向視頻www.yxfzedu.com ......

    uj5u.com 2020-09-10 02:00:56 more
  • 北斗電力時鐘(北斗授時服務器)讓網路資料更精準

    北斗電力時鐘(北斗授時服務器)讓網路資料更精準 北斗電力時鐘(北斗授時服務器)讓網路資料更精準 京準電子科技官微——ahjzsz 近幾年,資訊技術的得了快速發展,互聯網在逐漸普及,其在人們生活和生產中都得到了廣泛應用,并且取得了不錯的應用效果。計算機網路資訊在電力系統中的應用,一方面使電力系統的運行 ......

    uj5u.com 2020-09-10 02:01:03 more
  • 【CTF】CTFHub 技能樹 彩蛋 writeup

    ?碎碎念 CTFHub:https://www.ctfhub.com/ 筆者入門CTF時時剛開始刷的是bugku的舊平臺,后來才有了CTFHub。 感覺不論是網頁UI設計,還是題目質量,賽事跟蹤,工具軟體都做得很不錯。 而且因為獨到的金幣制度的確讓人有一種想去刷題賺金幣的感覺。 個人還是非常喜歡這個 ......

    uj5u.com 2020-09-10 02:04:05 more
  • 02windows基礎操作

    我學到了一下幾點 Windows系統目錄結構與滲透的作用 常見Windows的服務詳解 Windows埠詳解 常用的Windows注冊表詳解 hacker DOS命令詳解(net user / type /md /rd/ dir /cd /net use copy、批處理 等) 利用dos命令制作 ......

    uj5u.com 2020-09-10 02:04:18 more
  • 03.Linux基礎操作

    我學到了以下幾點 01Linux系統介紹02系統安裝,密碼啊破解03Linux常用命令04LAMP 01LINUX windows: win03 8 12 16 19 配置不繁瑣 Linux:redhat,centos(紅帽社區版),Ubuntu server,suse unix:金融機構,證券,銀 ......

    uj5u.com 2020-09-10 02:04:30 more
  • 05HTML

    01HTML介紹 02頭部標簽講解03基礎標簽講解04表單標簽講解 HTML前段語言 js1.了解代碼2.根據代碼 懂得挖掘漏洞 (POST注入/XSS漏洞上傳)3.黑帽seo 白帽seo 客戶網站被黑帽植入劫持代碼如何處理4.熟悉html表單 <html><head><title>TDK標題,描述 ......

    uj5u.com 2020-09-10 02:04:36 more
最新发布
  • 2023年最新微信小程式抓包教程

    01 開門見山 隔一個月發一篇文章,不過分。 首先回顧一下《微信系結手機號資料庫被脫庫事件》,我也是第一時間得知了這個訊息,然后跟蹤了整件事情的經過。下面是這起事件的相關截圖以及近日流出的一萬條資料樣本: 個人認為這件事也沒什么,還不如關注一下之前45億快遞資料查詢渠道疑似在近日復活的訊息。 訊息是 ......

    uj5u.com 2023-04-20 08:48:24 more
  • web3 產品介紹:metamask 錢包 使用最多的瀏覽器插件錢包

    Metamask錢包是一種基于區塊鏈技術的數字貨幣錢包,它允許用戶在安全、便捷的環境下管理自己的加密資產。Metamask錢包是以太坊生態系統中最流行的錢包之一,它具有易于使用、安全性高和功能強大等優點。 本文將詳細介紹Metamask錢包的功能和使用方法。 一、 Metamask錢包的功能 數字資 ......

    uj5u.com 2023-04-20 08:47:46 more
  • vulnhub_Earth

    前言 靶機地址->>>vulnhub_Earth 攻擊機ip:192.168.20.121 靶機ip:192.168.20.122 參考文章 https://www.cnblogs.com/Jing-X/archive/2022/04/03/16097695.html https://www.cnb ......

    uj5u.com 2023-04-20 07:46:20 more
  • 從4k到42k,軟體測驗工程師的漲薪史,給我看哭了

    清明節一過,盲猜大家已經無心上班,在數著日子準備過五一,但一想到銀行卡里的余額……瞬間心情就不美麗了。最近,2023年高校畢業生就業調查顯示,本科畢業月平均起薪為5825元。調查一出,便有很多同學表示自己又被平均了。看著這一資料,不免讓人想到前不久中國青年報的一項調查:近六成大學生認為畢業10年內會 ......

    uj5u.com 2023-04-20 07:44:00 more
  • 最新版本 Stable Diffusion 開源 AI 繪畫工具之中文自動提詞篇

    🎈 標簽生成器 由于輸入正向提示詞 prompt 和反向提示詞 negative prompt 都是使用英文,所以對學習母語的我們非常不友好 使用網址:https://tinygeeker.github.io/p/ai-prompt-generator 這個網址是為了讓大家在使用 AI 繪畫的時候 ......

    uj5u.com 2023-04-20 07:43:36 more
  • 漫談前端自動化測驗演進之路及測驗工具分析

    隨著前端技術的不斷發展和應用程式的日益復雜,前端自動化測驗也在不斷演進。隨著 Web 應用程式變得越來越復雜,自動化測驗的需求也越來越高。如今,自動化測驗已經成為 Web 應用程式開發程序中不可或缺的一部分,它們可以幫助開發人員更快地發現和修復錯誤,提高應用程式的性能和可靠性。 ......

    uj5u.com 2023-04-20 07:43:16 more
  • CANN開發實踐:4個DVPP記憶體問題的典型案例解讀

    摘要:由于DVPP媒體資料處理功能對存放輸入、輸出資料的記憶體有更高的要求(例如,記憶體首地址128位元組對齊),因此需呼叫專用的記憶體申請介面,那么本期就分享幾個關于DVPP記憶體問題的典型案例,并給出原因分析及解決方法。 本文分享自華為云社區《FAQ_DVPP記憶體問題案例》,作者:昇騰CANN。 DVPP ......

    uj5u.com 2023-04-20 07:43:03 more
  • msf學習

    msf學習 以kali自帶的msf為例 一、msf核心模塊與功能 msf模塊都放在/usr/share/metasploit-framework/modules目錄下 1、auxiliary 輔助模塊,輔助滲透(埠掃描、登錄密碼爆破、漏洞驗證等) 2、encoders 編碼器模塊,主要包含各種編碼 ......

    uj5u.com 2023-04-20 07:42:59 more
  • Halcon軟體安裝與界面簡介

    1. 下載Halcon17版本到到本地 2. 雙擊安裝包后 3. 步驟如下 1.2 Halcon軟體安裝 界面分為四大塊 1. Halcon的五個助手 1) 影像采集助手:與相機連接,設定相機引數,采集影像 2) 標定助手:九點標定或是其它的標定,生成標定檔案及內參外參,可以將像素單位轉換為長度單位 ......

    uj5u.com 2023-04-20 07:42:17 more
  • 在MacOS下使用Unity3D開發游戲

    第一次發博客,先發一下我的游戲開發環境吧。 去年2月份買了一臺MacBookPro2021 M1pro(以下簡稱mbp),這一年來一直在用mbp開發游戲。我大致分享一下我的開發工具以及使用體驗。 1、Unity 官網鏈接: https://unity.cn/releases 我一般使用的Apple ......

    uj5u.com 2023-04-20 07:40:19 more