DQN三大改进（二）-Prioritised replay

Prioritised replay原文：https://arxiv.org/pdf/1511.05952.pdf

代码地址：https://github.com/princewen/tensorflow_practice/tree/master/Prioritized_Replay_DQN_demo

如果大家觉得代码排版较乱，可以参考原文：https://www.jianshu.com/p/db14fdc67d2c

1、背景

这篇文章我们会默认大家已经了解了DQN的相关知识，如果大家对于DQN还不是很了解，可以参考文章https://www.jianshu.com/p/10930c371cac。

我们简单回顾一下DQN的过程(这里是2015版的DQN)：

DQN中有两个关键的技术，叫做经验回放和双网络结构。

DQN中的损失函数定义为：

其中，yi也被我们称为q-target值，而后面的Q(s,a)我们称为q-eval值，我们希望q-target和q-eval值越接近越好。

q-target如何计算呢？根据下面的公式：

上面的两个公式分别截取自两篇不同的文章，所以可能有些出入。我们之前说到过，我们有经验池存储的历史经验，经验池中每一条的结构是(s,a,r,s')，我们的q-target值根据该轮的奖励r以及将s'输入到target-net网络中得到的Q(s',a')的最大值决定。

经验回放的功能主要是解决相关性及非静态分布问题。具体做法是把每个时间步agent与环境交互得到的转移样本 (st,at,rt,st+1) 储存到回放记忆单元，要训练时就随机拿出一些（minibatch）来训练。（其实就是将游戏的过程打成碎片存储，训练时随机抽取就避免了相关性问题）

但是经验回放也存在一定的问题，在奖励十分少的时候，会出现学习速度非常慢的问题。在新的文章中，提出了一种“Blind Cliffwalk”的环境。来示例说明当奖赏非常rare的时候，探索所遇到的挑战。假设仅有 n 个状态，这个环境就要求足够的随机步骤知道得到第一个非零奖励；确切的讲，随机的选择动作序列就会有 2−n的概率才能得到第一个非零奖赏。此外，最相关的 transitions 却藏在大量的失败的尝试当中。“Blind Cliffwalk”环境如下图所示：

为了有效的解决上述的问题，提出了Prioritized replay的做法，我们先看看文中给出的算法流程：

这一套算法重点就在我们 batch 抽样的时候并不是随机抽样, 而是按照 Memory 中的样本优先级来抽. 所以这能更有效地找到我们需要学习的样本. 样本的优先级如何确定？我们可以用到 TD-error, 也就是 q-target - q-eval 来规定优先学习的程度. 如果 TD-error 越大, 就代表我们的预测精度还有很多上升空间, 那么这个样本就越需要被学习, 也就是优先级 p 越高.

优先级的计算基于如下公式：

式中的pi即我们计算的TD-error。

有了 TD-error 就有了优先级 p, 那我们如何有效地根据 p 来抽样呢? 如果每次抽样都需要针对 p 对所有样本排序, 这将会是一件非常消耗计算能力的事. 文中提出了一种被称作SumTree的方法。

SumTree 是一种树形结构, 每片树叶存储每个样本的优先级 p, 每个树枝节点只有两个分叉, 节点的值是两个分叉的合, 所以 SumTree 的顶端就是所有 p 的合. 如下图所示。最下面一层树叶存储样本的 p, 叶子上一层最左边的 13 = 3 + 10, 按这个规律相加, 顶层的 root 就是全部 p 的合了.

抽样时, 我们会将 p 的总合 除以 batch size, 分成 batch size 那么多区间, (n=sum(p)/batch_size). 如果将所有 node 的 priority 加起来是42的话, 我们如果抽6个样本, 这时的区间拥有的 priority 可能是这样.

[0-7], [7-14], [14-21], [21-28], [28-35], [35-42]

然后在每个区间里随机选取一个数. 比如在第区间 [21-28] 里选到了24, 就按照这个 24 从最顶上的42开始向下搜索. 首先看到最顶上 42 下面有两个 child nodes, 拿着手中的24对比左边的 child 29, 如果 左边的 child 比自己手中的值大, 那我们就走左边这条路, 接着再对比 29 下面的左边那个点 13, 这时, 手中的 24 比 13 大, 那我们就走右边的路, 并且将手中的值根据 13 修改一下, 变成 24-13 = 11. 接着拿着 11 和 13 左下角的 12 比, 结果 12 比 11 大, 那我们就选 12 当做这次选到的 priority, 并且也选择 12 对应的数据.

2、代码实现

本文的代码还是根据莫烦大神的代码，它的github地址为：https://github.com/MorvanZhou/Reinforcement-learning-with-tensorflow

这里我们想要实现的效果类似于寻宝。

其中，红色的方块代表寻宝人，黑色的方块代表陷阱，黄色的方块代表宝藏，我们的目标就是让寻宝人找到最终的宝藏。

这里，我们的状态可以用横纵坐标表示，而动作有上下左右四个动作。使用tkinter来做这样一个动画效果。宝藏的奖励是1，陷阱的奖励是-1，而其他时候的奖励都为0。

接下来，我们重点看一下我们Prioritised replay Double-DQN相关的代码。

定义输入

在通过梯度下降法进行参数更新时，由于需要加入权重项，因此增加了ISWeigths这一个输入。

#---------------------input----------------------self.s = tf.placeholder(tf.float32,[None,self.n_features],name='s')self.q_target = tf.placeholder(tf.float32,[None,self.n_actions],name='Q_target')self.s_ = tf.placeholder(tf.float32, [None,self.n_features], name='s_')ifself.prioritized:self.ISWeights = tf.placeholder(tf.float32,[None,1],name='IS_weights')

定义双网络结构

这里我们的双网络结构都简单的采用简单的全链接神经网络，包含一个隐藏层。这里我们得到的输出是一个向量，表示该状态才取每个动作可以获得的Q值：

defbuild_layers(s, c_names, n_l1, w_initializer, b_initializer, trainable): with tf.variable_scope('l1'): w1 = tf.get_variable('w1', [self.n_features, n_l1], initializer=w_initializer, collections=c_names, trainable=trainable) b1 = tf.get_variable('b1', [1, n_l1], initializer=b_initializer, collections=c_names, trainable=trainable) l1 = tf.nn.relu(tf.matmul(s, w1) + b1) with tf.variable_scope('l2'): w2 = tf.get_variable('w2', [n_l1,self.n_actions], initializer=w_initializer, collections=c_names, trainable=trainable) b2 = tf.get_variable('b2', [1,self.n_actions], initializer=b_initializer, collections=c_names, trainable=trainable) out = tf.matmul(l1, w2) + b2returnout

接下来，我们定义两个网络：

# ---------------------eval net -----------------with tf.variable_scope('eval_net'): c_names, n_l1, w_initializer, b_initializer = \ ['eval_net_params', tf.GraphKeys.GLOBAL_VARIABLES],20, \ tf.random_normal_initializer(0.,0.3), tf.constant_initializer(0.1)# config of layersself.q_eval = build_layers(self.s, c_names, n_l1, w_initializer, b_initializer,True)# --------------------target net----------------with tf.variable_scope('target_net'): c_names = ['target_net_params', tf.GraphKeys.GLOBAL_VARIABLES]self.q_next = build_layers(self.s_, c_names, n_l1, w_initializer, b_initializer,False)

定义损失和优化器

接下来，我们定义我们的损失，和DQN一样，我们使用的是平方损失，但是此时我们的损失是有权重的！：

# --------------------loss and train -----------with tf.variable_scope('loss'):ifself.prioritized:self.abs_errors = tf.reduce_sum(tf.abs(self.q_target -self.q_eval), axis=1)# for updating Sumtreeself.loss = tf.reduce_mean(self.ISWeights * tf.squared_difference(self.q_target,self.q_eval))else:self.loss = tf.reduce_mean(tf.squared_difference(self.q_target,self.q_eval))with tf.variable_scope('train'):self._train_op = tf.train.RMSPropOptimizer(self.lr).minimize(self.loss)

定义SumTree类

定义完我们的网络结构之后，我们介绍两个辅助类，一个是用于Sample的SumTree类，另一个是用于记忆存储和读取的Memory类。

在初始化我们的SumTree类时，我们要定义好树的容量，即经验池的容量，以及用于存储优先级的tree结构和存储数据的data。tree结构我们使用一维数组实现，采取从上往下，从左往右的层次结构进行存储,同时，我们定义一个返回树根节点也就是树中叶子结点总优先级的函数。

def__init__(self,capacity):self.capacity = capacityself.data_pointer =self.tree = np.zeros(2* capacity -1)self.data = np.zeros(capacity,dtype=object)@propertydeftotal_p(self):returnself.tree[]# the root

接下来，我们定义一个用于添加数据的add函数，在添加数据的时候会触发我们的update函数，用于更新树中节点的值。

defadd(self,p,data): tree_idx =self.data_pointer +self.capacity -1self.data[self.data_pointer] = dataself.update(tree_idx,p)self.data_pointer +=1ifself.data_pointer >=self.capacity:# replace when exceed the capacityself.data_pointer =

刚才提到了，在添加数据的时候，由于某个叶子结点的数值改变了，那么它的一系列父节点的数值也会发生改变，所以我们定义了一个update函数如下：

def update(self,tree_idx,p): change = p -self.tree[tree_idx]self.tree[tree_idx] = pwhiletree_idx!=: tree_idx = (tree_idx -1)// 2self.tree[tree_idx] += change

最后，我们要定义一个根据数字来采样节点的算法，如何采样我们刚才已经介绍过了，即从头节点开始，每次决定往左还是往右，直到到达叶子结点为止，并返回叶子结点的id，优先级以对应的转移数据：

def get_leaf(self,v): parent_idx =whileTrue: cl_idx =2* parent_idx +1cr_idx = cl_idx +1ifcl_idx >= len(self.tree): leaf_idx = parent_idxbreakelse:ifv

定义Memory类

在初始化时，我们首先要定义好我们的参数：

def__init__(self, capacity):self.tree = SumTree(capacity)self.epsilon =.01# small amount to avoid zero priorityself.alpha =.6# [0~1] convert the importance of TD error to priorityself.beta =.4# importance-sampling, from initial value increasing to 1self.beta_increment_per_sampling =.001self.abs_err_upper =1.# clipped abs error

接下来，我们定义一个store函数，用于将新的经验数据存储到Sumtree中，我们定义了一个abs_err_upper和epsilon ，表明p的范围在[epsilon,abs_err_upper]之间，对于第一条存储的数据，我们认为它的优先级P是最大的，同时，对于新来的数据，我们也认为它的优先级与当前树中优先级最大的经验相同。

defstore(self, transition): max_p = np.max(self.tree.tree[-self.tree.capacity:])ifmax_p ==: max_p =self.abs_err_upperself.tree.add(max_p, transition)# set the max p for new p

随后，我们定义了一个采样函数,根据batch的大小对经验进行采样，采样的过程如我们上面所讲的，调用的是tree.get_leaf方法。同时在采样的过程中，我们还要计算在进行参数更新时每条数据的权重，代码之中权重的计算是对原文中的公式进行了修改，如下图所示：

因此，我们的代码如下所示：

defsample(self,n): b_idx,b_memory,ISWeights = np.empty((n,),dtype=np.int32),np.empty((n,self.tree.data[].size)),np.empty((n,1)) pri_seg =self.tree.total_p / nself.beta = np.min([1.,self.beta +self.beta_increment_per_sampling]) min_prob = np.min(self.tree.tree[-self.tree.capacity:]) /self.tree.total_p# for later calculate ISweightforiinrange(n): a, b = pri_seg * i, pri_seg * (i +1) v = np.random.uniform(a, b) idx, p, data =self.tree.get_leaf(v) prob = p /self.tree.total_p ISWeights[i,] = np.power(prob/min_prob, -self.beta) b_idx[i], b_memory[i,:] = idx, datareturnb_idx, b_memory, ISWeights

最后，我们还定义了一个更新树中权重的方法：

选择action

选择action的代码没有变化，仍然采用e-greedy算法

存储经验

由于我们定义了专门的Memory类，因此在存储经验的时候，直接调用该类的store方法即可。

defstore(self,s,a,r,s_):ifself.prioritized:transition = np.hstack((s, [a, r], s_))self.memory.store(transition)else:# random replayifnothasattr(self,'memory_counter'):self.memory_counter =transition = np.hstack((s, [a, r], s_)) index =self.memory_counter %self.memory_sizeself.memory[index,:] = transitionself.memory_counter +=1

更新target-net

选择batch

更新网络参数

这里我们采用double-dqn的网络参数更新方法，这里有三点更新，首先，我们在训练的时候要同时计算我们的td-error，其次，每次训练之后，要根据td-error对树进行更新，最后，在计算误差的时候要考虑权重项。

q_next, q_eval =self.sess.run( [self.q_next,self.q_eval], feed_dict={self.s_: batch_memory[:, -self.n_features:],self.s: batch_memory[:, :self.n_features]})q_target = q_eval.copy()batch_index = np.arange(self.batch_size, dtype=np.int32)eval_act_index = batch_memory[:,self.n_features].astype(int)reward = batch_memory[:,self.n_features +1]q_target[batch_index, eval_act_index] = reward +self.gamma * np.max(q_next, axis=1)ifself.prioritized: _, abs_errors,self.cost =self.sess.run([self._train_op,self.abs_errors,self.loss], feed_dict={self.s: batch_memory[:, :self.n_features],self.q_target: q_target,self.ISWeights: ISWeights})self.memory.batch_update(tree_idx, abs_errors)# update priorityelse: _,self.cost =self.sess.run([self._train_op,self.loss], feed_dict={self.s: batch_memory[:, :self.n_features],self.q_target: q_target})self.cost_his.append(self.cost)self.epsilon =self.epsilon +self.epsilon_incrementifself.epsilon 3、参考文献

1、Prioritized Experience Replay (DQN) (Tensorflow)：https://morvanzhou.github.io/tutorials/machine-learning/reinforcement-learning/4-6-prioritized-replay/

2、PRIORITIZED EXPERIENCE REPLAY：https://www.cnblogs.com/wangxiaocvpr/p/5660232.html

欢迎关注我的公众号：小小挖掘机