莫烦Python代码实践（五）——REINFORCE基础算法⼯程化
解析
提⽰：转载请注明出处，若⽂本⽆意侵犯到您的合法权益，请及时与作者联系。
莫烦Python代码实践（五）——REINFORCE基础算法⼯程化解析
声明
本⽂是作者学习莫烦Python的代码笔记总结，如想深⼊可移步。
⼀、REINFORCE算法与DQN算法的区别
REINFORCE是基于Policy的RL算法中最经典、最基础的算法，可以说是学习基于基于Policy的RL算法的⼊门必备。
与作为基于Value的RL算法⼊门必备的DQN算法相⽐，两个算法的主要区别如下：
类别DQN算法REINFORCE
算法种类value-bad Policy-bad，
更新机制单步更新回合更新
小布什传拟合策略函数，输出在某个状态选择某个动作的概率函数拟合拟合Q函数，输出在某个状态选择某个动作可以得到的预期
价值
损失函数q_target和q_eval的均⽅误差预期概率分布和⽬标概率分布的交叉熵损失
经验使⽤⽤来采样计算q_target，以训练⽹络⽤来计算各个状态的长期回报G等，以训练⽹络
注：可能⼀般意义上并不认为REINFORCE存在经验回放机制，这⾥我们将存储过去的状态信息的机制都⼀律称为经验池。
关于⽹络的区别可以参考下图：
REINFORCE算法的主要流程如下：
同样上述流程相对抽象，我们使⽤基于⾯向对象思想详细说明下如上流程：
创建平安校园在将上述算法流程进⾏⼯程化的过程中，主要可以分为以下⼏个阶段：
1. 算法的整体流程
2. 经验池的初始化与清空
3. 初始化策略⽹络
4. 运⾏策略⽹络选择动作
5. 学习并训练策略⽹络
接下来我们就依次描述这5个阶段，讲解如何实现上述算法的⼀些细节。
mini phone3、REINFORCE的代码实现
1、算法的整体流程internal
现在假设我们在Gym中的CartPole-v0环境中测试该算法代码，并且我们已经搭建了Agent_REINFORCE类，那么我们的主要流程初始化代码如下：
# 初始化环境
env = gym.make('CartPole-v0')
env = env.unwrapped
env.ed(1)
# 初始化agent
STATE_FEATURES = env.obrvation_space.shape[0]
ACTION_SPACE = env.action_space.n
agent = Agent_REINFORCE(
n_features = STATE_FEATURES,
n_actions = ACTION_SPACE,
learning_rate=0.02,
reward_decay=0.99,
真爱如血第七季output_graph=Fal,
)
# 进⾏仿真训练
train(agent, num_episode=250)
train()函数中记录了整个算法的运⾏流程，这⾥并不复杂，对照上述算法流程即可理解：
def train(agent,num_episode=3000,is_Render = Fal):
for i in range(num_episode):
running_reward = 0 # 运⾏的回合奖励
obrvation = () # 初始化环境状态
while True:
if is_Render: der() # 是否渲染环境，渲染会变慢
action = agent.choo_action(obrvation) # 选择动作
obrvation_, reward, done, info = env.step(action)
agent.store_in_memory(obrvation, action, reward)
obrvation = obrvation_ # 切换观察值
if done:
vt = agent.learn() # 该训练回合结束时才开始学习
running_reward = sum(agent.ep_rs)#获取本回合累计奖励
# 打印信息
print("episode:",i, "reward:",int(running_reward))
break
接下来我们详细介绍上述每个关键细节的实现部分。
2、经验池的初始化与清空
在REINFORCE中的经验池每次存储的都是本回合各个step的(s,a,r)，然后在每回合结束时，⼀下⼦将本回合的所有(s,a,r)输⼊策略⽹络进⾏learn，learn之后再清空经验池来存储下回合的信息，这种特点就是回合更新。这和我们之前实现DQN时每个step进⾏learn有很⼤区分。因为在learn时，我们是分别输⼊s，a，r，⽽经验池存在存⼊和清空两个操作，所以该算法中的经验池机制实现⾮常简单，使⽤以下三个列表即可实现：
def store_in_memory(lf, s, a, r):
lf.ep_obs.append(s)
lf.ep_as.append(a)
lf.ep_rs.append(r)
def __clear_memory(lf):
lf.ep_obs, lf.ep_as, lf.ep_rs = [], [], []
3、初始化策略⽹络
搭建策略⽹络是该算法中相对较难的⼀点。因为我们的RL任务⽐较简单，我们这⾥使⽤两层全连接⽹络搭建，为了让代码减少全连接层的细节影响，我们直接使⽤封装得tf.layer来搭建这个策略⽹络。
⾸先我们来看下这个⽹络的简单结构说明：
上图中的“？”表⽰这个数不确定，其是每回合训练的最⼤step数。
策略⽹络的输⼊是⼀个回合的所有状态序列（本质上就是⼀个shape=(?,n_features)的⼆维数组），输出是预测的动作的概率分布（本质上就是⼀个shape=(?,n_actions)的⼆维数组），为了训练这个⽹络，
我们搭建的loss需要我们输⼊⼀个回合的所有动作序列（本质上就是⼀个shape=(?)的⼀维数组）和所有累计回报序列（本质上就是⼀个shape=(?)的⼀维数组）。
这⾥需要说明的是，假如我们输⼊⼀个状态值，这个状态值具备n_features=3个特征信息的，那么s=[0.5,0.6,0.7]，这时训练较好的策略⽹络的输出应该是⼀个具备n_actions=3个动作个数的[0.2,0.1,0.7]，这表⽰agent选择第1个动作的概率为0.2，第2个动作的概率为0.1，第三个动作的概率为0.7。
在训练时，我们并不会⼀个⼀个输⼊状态值，这样训练效率较低，我们⼀下⼦输⼊整个回合的所有状态值，所以此时的输⼊输出都变成了⼆维，本质没变。
现在我们先定义计算图的三个变量输⼊：
with tf.name_scope('inputs'):
palmlf.tf_obs = tf.placeholder(tf.float32, [None, lf.n_features], name="obrvations") # 输⼊状态序列
lf.tf_acts = tf.placeholder(tf.int32, [None, ], name="actions") # 输⼊动作序列
lf.tf_vt = tf.placeholder(tf.float32, [None, ], name="reward") # 输⼊累计回报序列
接着搭建⽹络结构：
# fc1 ⽣成⼀个全连接层
layer = tf.layers.den(
inputs=lf.tf_obs, # 输⼊数据
units=10, # 神经元数量
anh, # tanh 激活函数
kernel_initializer=tf.random_normal_initializer(mean=0, stddev=0.3),# 权重矩阵的初始化器
bias_stant_initializer(0.1),# 偏置项的初始化器
name='fc1'
)
# fc2 ⽣成⼀个全连接层
all_act = tf.layers.den(
inputs=layer,
units=lf.n_actions,
activation=None,
kernel_initializer=tf.random_normal_initializer(mean=0, stddev=0.3),
bias_stant_initializer(0.1),
name='fc2'
)
lf.all_act_prob = tf.nn.softmax(all_act, name='act_prob')
接着定义损失计算：
with tf.name_scope('loss'):
ama2014
neg_log_prob = tf.reduce_sum(-tf.log(lf.all_act_prob)*tf.one_hot(lf.tf_acts, lf.n_actions), axis=1)# 求和
密歇根大学loss = tf.reduce_mean(neg_log_prob * lf.tf_vt) #求平均值
with tf.name_scope('train'):
下⾯我们解释下上述损失函数的设计，我们这⾥使⽤的是交叉熵损失函数：
其中p(x)是我们的真实分布，q(x)是我们的预测分布，接下来我们再来看这⾏代码：
neg_log_prob = tf.reduce_sum(-tf.log(lf.all_act_prob)*tf.one_hot(lf.tf_acts, lf.n_actions), axis=1)
在上述代码中-tf.log（）容易理解，求对数的负数，也符合我们的公式，lf.all_act_prob就是我们策略⽹路的输出，其shape=
(?,n_actions)，即⽹络预测分布。
lf.tf_acts是我们输⼊的动作序列，其shape=(?)，这样⼦的形式是⽆法直接使⽤的，所以我们使⽤tf.one_hot(lf.tf_acts,
lf.n_actions)
将其变为one-hot编码，此时shape=(?,n_actions)。
需要注意到，我们之后⼜进⾏了loss = tf.reduce_mean(neg_log_prob * lf.tf_vt)，这是因为我们现在计算到的neg_log_prob仍然是⼀个⼆维数组，我们要先将其与lf.tf_vt相乘，这样⼦就相当于给每个step的损失值加了⼀个权重，权重越⼤的地⽅越需要我们进⾏训
练，tf.reduce_mean（）求其平均值，降为了⼀维。
4、运⾏策略⽹络选择动作
这⼀部分⽐较简单，直接上代码：
def choo_action(lf, obrvation):
prob_weights = lf.ss.run(lf.all_act_prob, feed_dict={lf.tf_obs: waxis, :]})
action = np.random.choice(range(prob_weights.shape[1]), p=prob_weights.ravel())
return action
因为obrvation是⼀个⼀维数组，⽽我们的⽹络输⼊需要⼆维，所以我们使⽤waxis, :]来将其升为⼆维数组，其输⼊⽹络后得到shape=(1,n_actions)的prob_weights。
在上述代码中最关键的是⼀个np.random.choice()，它帮助我们实现按照概率分布进⾏输出，⾸先我们⽤prob_weights.shape[1]获取prob_weights第⼆维的个数，即n_actions，然后使⽤range（）将其构造成0-n_actions-1的数组，prob_weights.ravel()来进⾏降维，直接降为⼀维，shape=(1,n_actions)变成了shape=(n_actions)，按照这个概率从range（）⽣成的数组中采样。
shabby是什么意思5、学习并训练策略⽹络online libraries
1、学习和训练⽹络
