Глубокое Q-обучение

Глубокое Q-обучение — это расширение Q-обучения, в котором для приближения Q-таблицы используется нейронная сеть. Благодаря этому обучение с подкреплением можно масштабировать на среды с большими пространствами состояний и действий, в том числе непрерывными.

Зачем нужно глубокое Q-обучение?

Глубокое Q-обучение устраняет ограничения традиционного Q-обучения:

• Работает с пространствами состояний высокой размерности, например с изображениями.
• Устраняет необходимость хранить большие Q-таблицы в памяти.
• Обобщает знания на разные состояния с помощью нейронных сетей.

Алгоритм DQN

В глубоком Q-обучении для приближения Q-значений используется нейронная сеть, называемая Q-сетью. Основные шаги:

1. Инициализировать Q-сеть случайными весами.
2. Взаимодействовать со средой, собирая кортежи опыта (state, action, reward, next_state).
3. Обновлять Q-сеть с помощью уравнения Беллмана:

Q(s, a) ≈ r + γ max(Q(s', a'))

Создание Q-сети

Q-сеть — это простая нейронная сеть прямого распространения, которая получает текущее состояние на входе и выдаёт Q-значения для всех возможных действий:

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

# Define the Q-Network
q_network = Sequential([
    Dense(24, activation='relu', input_shape=(state_space_size,)),
    Dense(24, activation='relu'),
    Dense(action_space_size, activation='linear')
])

q_network.compile(optimizer='adam', loss='mse')

Воспроизведение опыта

В глубоком Q-обучении для повышения эффективности обучения используется метод, называемый воспроизведением опыта:

• Сохранять опыт (state, action, reward, next_state) в буфере памяти.
• Случайным образом выбирать пакеты опыта для обучения Q-сети.

from collections import deque

# Initialize replay memory
memory = deque(maxlen=2000)

# Add experience to memory
memory.append((state, action, reward, next_state, done))

Обучение Q-сети

Мы обучаем Q-сеть на основе опыта из буфера памяти:

import numpy as np

# Sample a batch of experiences
batch_size = 32
batch = random.sample(memory, batch_size)

# Train the Q-Network
for state, action, reward, next_state, done in batch:
    target = reward
    if not done:
        target += gamma * np.max(q_network.predict(next_state[np.newaxis, ...]))
    q_values = q_network.predict(state[np.newaxis, ...])
    q_values[0][action] = target
    q_network.fit(state[np.newaxis, ...], q_values, epochs=1, verbose=0)

Целевые сети

Для стабилизации обучения DQN использует целевую сеть:

• Поддерживать отдельную сеть для вычисления целевых Q-значений.
• Периодически копировать веса из Q-сети в целевую сеть.

Преимущества глубокого Q-обучения

Глубокое Q-обучение предоставляет несколько преимуществ:

• Работает с пространствами состояний высокой размерности, например с изображениями.
• Обобщает знания на разные состояния с помощью нейронных сетей.
• Позволяет решать сложные задачи, такие как игры Atari и управление роботами.

Итоги и дальнейшие шаги

На этом уроке мы:

• Изучили основы глубокого Q-обучения.
• Создали Q-сеть для приближения Q-значений.
• Обсудили воспроизведение опыта и целевые сети для стабильного обучения.

Далее мы изучим OpenAI Gym и применим обучение с подкреплением в моделируемых средах.