TF-Agents के साथ एक डीप क्यू नेटवर्क को प्रशिक्षित करें

TensorFlow.org पर देखें Google Colab में चलाएं GitHub पर स्रोत देखें नोटबुक डाउनलोड करें

परिचय

इस उदाहरण से पता चलता है एक प्रशिक्षित करने के लिए कैसे DQN (दीप क्यू नेटवर्क) TF-एजेंटों लाइब्रेरी का उपयोग कर Cartpole पर्यावरण पर एजेंट।

कार्टपोल पर्यावरण

यह आपको प्रशिक्षण, मूल्यांकन और डेटा संग्रह के लिए सुदृढीकरण सीखने (आरएल) पाइपलाइन में सभी घटकों के माध्यम से चलेगा।

इस कोड को लाइव चलाने के लिए, ऊपर 'Google Colab में चलाएँ' लिंक पर क्लिक करें।

सेट अप

यदि आपने निम्नलिखित निर्भरताएँ स्थापित नहीं की हैं, तो चलाएँ:

sudo apt-get update
sudo apt-get install -y xvfb ffmpeg freeglut3-dev
pip install 'imageio==2.4.0'
pip install pyvirtualdisplay
pip install tf-agents[reverb]
pip install pyglet

from __future__ import absolute_import, division, print_function

import base64
import imageio
import IPython
import matplotlib
import matplotlib.pyplot as plt
import numpy as np
import PIL.Image
import pyvirtualdisplay
import reverb

import tensorflow as tf

from tf_agents.agents.dqn import dqn_agent
from tf_agents.drivers import py_driver
from tf_agents.environments import suite_gym
from tf_agents.environments import tf_py_environment
from tf_agents.eval import metric_utils
from tf_agents.metrics import tf_metrics
from tf_agents.networks import sequential
from tf_agents.policies import py_tf_eager_policy
from tf_agents.policies import random_tf_policy
from tf_agents.replay_buffers import reverb_replay_buffer
from tf_agents.replay_buffers import reverb_utils
from tf_agents.trajectories import trajectory
from tf_agents.specs import tensor_spec
from tf_agents.utils import common

# Set up a virtual display for rendering OpenAI gym environments.
display = pyvirtualdisplay.Display(visible=0, size=(1400, 900)).start()

tf.version.VERSION

'2.6.0'

हाइपरपैरामीटर

num_iterations = 20000 # @param {type:"integer"}

initial_collect_steps = 100  # @param {type:"integer"}
collect_steps_per_iteration =   1# @param {type:"integer"}
replay_buffer_max_length = 100000  # @param {type:"integer"}

batch_size = 64  # @param {type:"integer"}
learning_rate = 1e-3  # @param {type:"number"}
log_interval = 200  # @param {type:"integer"}

num_eval_episodes = 10  # @param {type:"integer"}
eval_interval = 1000  # @param {type:"integer"}

पर्यावरण

रीइन्फोर्समेंट लर्निंग (आरएल) में, एक वातावरण हल किए जाने वाले कार्य या समस्या का प्रतिनिधित्व करता है। स्टैंडर्ड वातावरण का उपयोग कर TF-एजेंटों में बनाया जा सकता tf_agents.environments सुइट्स। TF-Agents के पास OpenAI जिम, अटारी और DM कंट्रोल जैसे स्रोतों से वातावरण लोड करने के लिए सूट हैं।

OpenAI जिम सूट से CartPole के वातावरण को लोड करें।

env_name = 'CartPole-v0'
env = suite_gym.load(env_name)

आप इस परिवेश को यह देखने के लिए प्रस्तुत कर सकते हैं कि यह कैसा दिखता है। एक फ्री-स्विंगिंग पोल एक गाड़ी से जुड़ा हुआ है। लक्ष्य ध्रुव को ऊपर की ओर रखने के लिए गाड़ी को दाएं या बाएं ले जाना है।

env.reset()
PIL.Image.fromarray(env.render())

पीएनजी

environment.step विधि एक लेता है action वातावरण में और एक रिटर्न TimeStep पर्यावरण के अगले अवलोकन और कार्रवाई के लिए इनाम युक्त टपल।

time_step_spec() विधि के लिए विनिर्देश रिटर्न TimeStep टपल। इसका observation विशेषता शो टिप्पणियों के आकार, डेटा प्रकार और अनुमति प्राप्त मान के बीच रहता है। reward विशेषता इनाम के लिए एक ही विवरण दिखाता है।

print('Observation Spec:')
print(env.time_step_spec().observation)

Observation Spec:
BoundedArraySpec(shape=(4,), dtype=dtype('float32'), name='observation', minimum=[-4.8000002e+00 -3.4028235e+38 -4.1887903e-01 -3.4028235e+38], maximum=[4.8000002e+00 3.4028235e+38 4.1887903e-01 3.4028235e+38])

print('Reward Spec:')
print(env.time_step_spec().reward)

Reward Spec:
ArraySpec(shape=(), dtype=dtype('float32'), name='reward')

action_spec() विधि आकार, डेटा प्रकार, और वैध कार्यों के अनुमति प्राप्त मान देता है।

print('Action Spec:')
print(env.action_spec())

Action Spec:
BoundedArraySpec(shape=(), dtype=dtype('int64'), name='action', minimum=0, maximum=1)

कार्टपोल वातावरण में:

  • observation 4 तैरता की एक सरणी है:
    • गाड़ी की स्थिति और वेग
    • ध्रुव की कोणीय स्थिति और वेग
  • reward एक अदिश नाव मूल्य है
  • action केवल दो संभावित मान वाले स्केलर पूर्णांक है:
    • 0 - "चाल छोड़ दिया"
    • 1 - "इस कदम सही"
time_step = env.reset()
print('Time step:')
print(time_step)

action = np.array(1, dtype=np.int32)

next_time_step = env.step(action)
print('Next time step:')
print(next_time_step)

Time step:
TimeStep(
{'discount': array(1., dtype=float32),
 'observation': array([-0.02109759, -0.00062286,  0.04167245, -0.03825747], dtype=float32),
 'reward': array(0., dtype=float32),
 'step_type': array(0, dtype=int32)})
Next time step:
TimeStep(
{'discount': array(1., dtype=float32),
 'observation': array([-0.02111005,  0.1938775 ,  0.0409073 , -0.31750655], dtype=float32),
 'reward': array(1., dtype=float32),
 'step_type': array(1, dtype=int32)})

आमतौर पर दो वातावरण तत्काल होते हैं: एक प्रशिक्षण के लिए और दूसरा मूल्यांकन के लिए।

train_py_env = suite_gym.load(env_name)
eval_py_env = suite_gym.load(env_name)

अधिकांश वातावरणों की तरह कार्टपोल का वातावरण शुद्ध पायथन में लिखा गया है। इस का उपयोग कर TensorFlow में बदल जाती है TFPyEnvironment आवरण।

मूल परिवेश का API Numpy सरणियों का उपयोग करता है। TFPyEnvironment में धर्मान्तरित इन Tensors यह Tensorflow एजेंटों और नीतियों के साथ संगत बनाने के लिए।

train_env = tf_py_environment.TFPyEnvironment(train_py_env)
eval_env = tf_py_environment.TFPyEnvironment(eval_py_env)

एजेंट

एक आर एल समस्या को हल करने के लिए इस्तेमाल एल्गोरिथ्म एक का प्रतिनिधित्व करती है Agent । TF-एजेंटों की एक किस्म के मानक कार्यान्वयन प्रदान करता है Agents , जिनमें शामिल हैं:

DQN एजेंट का उपयोग किसी भी ऐसे वातावरण में किया जा सकता है जिसमें असतत क्रिया स्थान हो।

एक DQN एजेंट के केंद्र में एक है QNetwork , एक तंत्रिका नेटवर्क मॉडल है कि भविष्यवाणी करने के लिए सीख सकते हैं QValues सभी कार्यों के लिए (उम्मीद रिटर्न), पर्यावरण से एक अवलोकन दिया।

हम का उपयोग करेगा tf_agents.networks. एक बनाने के लिए QNetwork । नेटवर्क का एक दृश्य शामिल होंगे tf.keras.layers.Dense परतों, जहां अंतिम परत 1 प्रत्येक संभव कार्रवाई के लिए उत्पादन होगा।

fc_layer_params = (100, 50)
action_tensor_spec = tensor_spec.from_spec(env.action_spec())
num_actions = action_tensor_spec.maximum - action_tensor_spec.minimum + 1

# Define a helper function to create Dense layers configured with the right
# activation and kernel initializer.
def dense_layer(num_units):
  return tf.keras.layers.Dense(
      num_units,
      activation=tf.keras.activations.relu,
      kernel_initializer=tf.keras.initializers.VarianceScaling(
          scale=2.0, mode='fan_in', distribution='truncated_normal'))

# QNetwork consists of a sequence of Dense layers followed by a dense layer
# with `num_actions` units to generate one q_value per available action as
# its output.
dense_layers = [dense_layer(num_units) for num_units in fc_layer_params]
q_values_layer = tf.keras.layers.Dense(
    num_actions,
    activation=None,
    kernel_initializer=tf.keras.initializers.RandomUniform(
        minval=-0.03, maxval=0.03),
    bias_initializer=tf.keras.initializers.Constant(-0.2))
q_net = sequential.Sequential(dense_layers + [q_values_layer])

अब का उपयोग tf_agents.agents.dqn.dqn_agent एक दृष्टांत को DqnAgent । के अलावा time_step_spec , action_spec और QNetwork, एजेंट निर्माता भी एक अनुकूलक (इस मामले में, की आवश्यकता है AdamOptimizer ), एक नुकसान समारोह, और एक पूर्णांक कदम काउंटर।

optimizer = tf.keras.optimizers.Adam(learning_rate=learning_rate)

train_step_counter = tf.Variable(0)

agent = dqn_agent.DqnAgent(
    train_env.time_step_spec(),
    train_env.action_spec(),
    q_network=q_net,
    optimizer=optimizer,
    td_errors_loss_fn=common.element_wise_squared_loss,
    train_step_counter=train_step_counter)

agent.initialize()

नीतियों

एक नीति एक एजेंट के वातावरण में कार्य करने के तरीके को परिभाषित करती है। आमतौर पर, सुदृढीकरण सीखने का लक्ष्य अंतर्निहित मॉडल को तब तक प्रशिक्षित करना है जब तक कि नीति वांछित परिणाम उत्पन्न न करे।

इस ट्यूटोरियल में:

  • वांछित परिणाम ध्रुव को गाड़ी के ऊपर सीधा संतुलित रखना है।
  • नीति प्रत्येक के लिए एक कार्य (बाएं या दाएं) रिटर्न time_step अवलोकन।

एजेंटों में दो नीतियां होती हैं:

  • agent.policy - मुख्य नीति है कि मूल्यांकन और तैनाती के लिए प्रयोग किया जाता है।
  • agent.collect_policy - एक दूसरा नीति है कि डेटा संग्रह के लिए प्रयोग किया जाता है।
eval_policy = agent.policy
collect_policy = agent.collect_policy

नीतियां एजेंटों से स्वतंत्र रूप से बनाई जा सकती हैं। उदाहरण के लिए, का उपयोग tf_agents.policies.random_tf_policy एक नीति है जो बेतरतीब ढंग से प्रत्येक के लिए एक कार्य का चयन करेंगे बनाने के लिए time_step ।

random_policy = random_tf_policy.RandomTFPolicy(train_env.time_step_spec(),
                                                train_env.action_spec())

एक नीति से कोई कार्रवाई करने के लिए, फोन policy.action(time_step) विधि। time_step वातावरण से अवलोकन शामिल हैं। यह विधि एक रिटर्न PolicyStep है, जो तीन घटकों के साथ एक नाम दिया टपल है:

  • action - कार्रवाई नहीं की जा करने के लिए (इस मामले में, 0 या 1 )
  • state - स्टेटफुल के लिए इस्तेमाल किया (जो है, RNN आधारित) नीतियों
  • info - इस तरह के कार्यों के लॉग संभावनाओं के रूप में सहायक डेटा,
example_environment = tf_py_environment.TFPyEnvironment(
    suite_gym.load('CartPole-v0'))

time_step = example_environment.reset()

random_policy.action(time_step)

PolicyStep(action=<tf.Tensor: shape=(1,), dtype=int64, numpy=array([1])>, state=(), info=())

मेट्रिक्स और मूल्यांकन

किसी पॉलिसी का मूल्यांकन करने के लिए उपयोग की जाने वाली सबसे आम मीट्रिक औसत रिटर्न है। प्रतिफल किसी एपिसोड के लिए परिवेश में पॉलिसी चलाते समय प्राप्त किए गए पुरस्कारों का योग है। कई एपिसोड चलाए जाते हैं, जिससे औसत रिटर्न मिलता है।

निम्न फ़ंक्शन नीति, परिवेश और कई प्रसंगों को देखते हुए किसी नीति के औसत प्रतिफल की गणना करता है।

def compute_avg_return(environment, policy, num_episodes=10):

  total_return = 0.0
  for _ in range(num_episodes):

    time_step = environment.reset()
    episode_return = 0.0

    while not time_step.is_last():
      action_step = policy.action(time_step)
      time_step = environment.step(action_step.action)
      episode_return += time_step.reward
    total_return += episode_return

  avg_return = total_return / num_episodes
  return avg_return.numpy()[0]


# See also the metrics module for standard implementations of different metrics.
# https://github.com/tensorflow/agents/tree/master/tf_agents/metrics

पर इस गणना चल रहा है random_policy वातावरण में एक आधारभूत प्रदर्शन दिखाता है।

compute_avg_return(eval_env, random_policy, num_eval_episodes)

20.7

फिर से खेलना बफर

आदेश वातावरण से एकत्र किए गए आंकड़ों का ट्रैक रखने के लिए, हम का उपयोग करेगा गूंज , Deepmind द्वारा एक कुशल, एक्स्टेंसिबल, और आसान से उपयोग पुनरावृत्ति प्रणाली। जब हम प्रक्षेपवक्र एकत्र करते हैं और प्रशिक्षण के दौरान उपभोग किया जाता है तो यह अनुभव डेटा संग्रहीत करता है।

इस रीप्ले बफर का निर्माण उन टेंसरों का वर्णन करने वाले स्पेक्स का उपयोग करके किया गया है जिन्हें संग्रहीत किया जाना है, जिसे एजेंट से प्राप्त किया जा सकता है। Agent.collect_data_spec.

table_name = 'uniform_table'
replay_buffer_signature = tensor_spec.from_spec(
      agent.collect_data_spec)
replay_buffer_signature = tensor_spec.add_outer_dim(
    replay_buffer_signature)

table = reverb.Table(
    table_name,
    max_size=replay_buffer_max_length,
    sampler=reverb.selectors.Uniform(),
    remover=reverb.selectors.Fifo(),
    rate_limiter=reverb.rate_limiters.MinSize(1),
    signature=replay_buffer_signature)

reverb_server = reverb.Server([table])

replay_buffer = reverb_replay_buffer.ReverbReplayBuffer(
    agent.collect_data_spec,
    table_name=table_name,
    sequence_length=2,
    local_server=reverb_server)

rb_observer = reverb_utils.ReverbAddTrajectoryObserver(
  replay_buffer.py_client,
  table_name,
  sequence_length=2)

[reverb/cc/platform/tfrecord_checkpointer.cc:150]  Initializing TFRecordCheckpointer in /tmp/tmpcz7e0i7c.
[reverb/cc/platform/tfrecord_checkpointer.cc:385] Loading latest checkpoint from /tmp/tmpcz7e0i7c
[reverb/cc/platform/default/server.cc:71] Started replay server on port 21909

सबसे एजेंटों के लिए, collect_data_spec एक नामित टपल कहा जाता है Trajectory , टिप्पणियों, कार्रवाई, पुरस्कार, और अन्य मदों के लिए चश्मा हैं।

agent.collect_data_spec

Trajectory(
{'action': BoundedTensorSpec(shape=(), dtype=tf.int64, name='action', minimum=array(0), maximum=array(1)),
 'discount': BoundedTensorSpec(shape=(), dtype=tf.float32, name='discount', minimum=array(0., dtype=float32), maximum=array(1., dtype=float32)),
 'next_step_type': TensorSpec(shape=(), dtype=tf.int32, name='step_type'),
 'observation': BoundedTensorSpec(shape=(4,), dtype=tf.float32, name='observation', minimum=array([-4.8000002e+00, -3.4028235e+38, -4.1887903e-01, -3.4028235e+38],
      dtype=float32), maximum=array([4.8000002e+00, 3.4028235e+38, 4.1887903e-01, 3.4028235e+38],
      dtype=float32)),
 'policy_info': (),
 'reward': TensorSpec(shape=(), dtype=tf.float32, name='reward'),
 'step_type': TensorSpec(shape=(), dtype=tf.int32, name='step_type')})

agent.collect_data_spec._fields

('step_type',
 'observation',
 'action',
 'policy_info',
 'next_step_type',
 'reward',
 'discount')

आंकड़ा संग्रहण

अब कुछ चरणों के लिए पर्यावरण में यादृच्छिक नीति निष्पादित करें, डेटा को रीप्ले बफर में रिकॉर्ड करें।

यहां हम अनुभव संग्रह लूप को चलाने के लिए 'पाइड्राइवर' का उपयोग कर रहे हैं। आप हमारे में TF एजेंटों ड्राइवर के बारे में अधिक सीख सकते हैं ड्राइवरों ट्यूटोरियल ।

py_driver.PyDriver(
    env,
    py_tf_eager_policy.PyTFEagerPolicy(
      random_policy, use_tf_function=True),
    [rb_observer],
    max_steps=initial_collect_steps).run(train_py_env.reset())

(TimeStep(
 {'discount': array(1., dtype=float32),
  'observation': array([ 0.04100575,  0.16847703, -0.12718087, -0.6300714 ], dtype=float32),
  'reward': array(1., dtype=float32),
  'step_type': array(1, dtype=int32)}),
 ())

रिप्ले बफर अब ट्रैजेक्टोरियों का एक संग्रह है।

# For the curious:
# Uncomment to peel one of these off and inspect it.
# iter(replay_buffer.as_dataset()).next()

एजेंट को रीप्ले बफर तक पहुंच की आवश्यकता होती है। यह एक iterable बनाने के द्वारा प्रदान की जाती है tf.data.Dataset पाइपलाइन जो एजेंट के लिए डेटा फीड होगा।

रीप्ले बफ़र की प्रत्येक पंक्ति केवल एक अवलोकन चरण संग्रहीत करती है। लेकिन चूंकि DQN एजेंट हानि की गणना करने के दोनों वर्तमान और अगले अवलोकन की जरूरत है, डाटासेट पाइपलाइन बैच (में प्रत्येक आइटम के लिए दो सन्निकट पंक्तियों नमूना होगा num_steps=2 )।

यह डेटासेट समानांतर कॉल चलाकर और डेटा प्रीफ़ेच करके भी अनुकूलित किया गया है।

# Dataset generates trajectories with shape [Bx2x...]
dataset = replay_buffer.as_dataset(
    num_parallel_calls=3,
    sample_batch_size=batch_size,
    num_steps=2).prefetch(3)

dataset

<PrefetchDataset shapes: (Trajectory(
{action: (64, 2),
 discount: (64, 2),
 next_step_type: (64, 2),
 observation: (64, 2, 4),
 policy_info: (),
 reward: (64, 2),
 step_type: (64, 2)}), SampleInfo(key=(64, 2), probability=(64, 2), table_size=(64, 2), priority=(64, 2))), types: (Trajectory(
{action: tf.int64,
 discount: tf.float32,
 next_step_type: tf.int32,
 observation: tf.float32,
 policy_info: (),
 reward: tf.float32,
 step_type: tf.int32}), SampleInfo(key=tf.uint64, probability=tf.float64, table_size=tf.int64, priority=tf.float64))>

iterator = iter(dataset)
print(iterator)

<tensorflow.python.data.ops.iterator_ops.OwnedIterator object at 0x7f3cec38cd90>

# For the curious:
# Uncomment to see what the dataset iterator is feeding to the agent.
# Compare this representation of replay data 
# to the collection of individual trajectories shown earlier.

# iterator.next()

एजेंट को प्रशिक्षण

ट्रेनिंग लूप के दौरान दो चीजें होनी चाहिए:

  • पर्यावरण से डेटा एकत्र करें
  • एजेंट के तंत्रिका नेटवर्क को प्रशिक्षित करने के लिए उस डेटा का उपयोग करें

यह उदाहरण समय-समय पर पॉलिसी का मूल्यांकन करता है और वर्तमान स्कोर को प्रिंट करता है।

निम्नलिखित को चलने में ~5 मिनट का समय लगेगा।

try:
  %%time
except:
  pass

# (Optional) Optimize by wrapping some of the code in a graph using TF function.
agent.train = common.function(agent.train)

# Reset the train step.
agent.train_step_counter.assign(0)

# Evaluate the agent's policy once before training.
avg_return = compute_avg_return(eval_env, agent.policy, num_eval_episodes)
returns = [avg_return]

# Reset the environment.
time_step = train_py_env.reset()

# Create a driver to collect experience.
collect_driver = py_driver.PyDriver(
    env,
    py_tf_eager_policy.PyTFEagerPolicy(
      agent.collect_policy, use_tf_function=True),
    [rb_observer],
    max_steps=collect_steps_per_iteration)

for _ in range(num_iterations):

  # Collect a few steps and save to the replay buffer.
  time_step, _ = collect_driver.run(time_step)

  # Sample a batch of data from the buffer and update the agent's network.
  experience, unused_info = next(iterator)
  train_loss = agent.train(experience).loss

  step = agent.train_step_counter.numpy()

  if step % log_interval == 0:
    print('step = {0}: loss = {1}'.format(step, train_loss))

  if step % eval_interval == 0:
    avg_return = compute_avg_return(eval_env, agent.policy, num_eval_episodes)
    print('step = {0}: Average Return = {1}'.format(step, avg_return))
    returns.append(avg_return)

WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow/python/util/dispatch.py:206: calling foldr_v2 (from tensorflow.python.ops.functional_ops) with back_prop=False is deprecated and will be removed in a future version.
Instructions for updating:
back_prop=False is deprecated. Consider using tf.stop_gradient instead.
Instead of:
results = tf.foldr(fn, elems, back_prop=False)
Use:
results = tf.nest.map_structure(tf.stop_gradient, tf.foldr(fn, elems))
[reverb/cc/client.cc:163] Sampler and server are owned by the same process (15446) so Table uniform_table is accessed directly without gRPC.
[reverb/cc/client.cc:163] Sampler and server are owned by the same process (15446) so Table uniform_table is accessed directly without gRPC.
[reverb/cc/client.cc:163] Sampler and server are owned by the same process (15446) so Table uniform_table is accessed directly without gRPC.
[reverb/cc/client.cc:163] Sampler and server are owned by the same process (15446) so Table uniform_table is accessed directly without gRPC.
[reverb/cc/client.cc:163] Sampler and server are owned by the same process (15446) so Table uniform_table is accessed directly without gRPC.
[reverb/cc/client.cc:163] Sampler and server are owned by the same process (15446) so Table uniform_table is accessed directly without gRPC.
step = 200: loss = 27.080341339111328
step = 400: loss = 3.0314550399780273
step = 600: loss = 470.9187927246094
step = 800: loss = 548.7870483398438
step = 1000: loss = 4315.17578125
step = 1000: Average Return = 48.400001525878906
step = 1200: loss = 5297.24853515625
step = 1400: loss = 11601.296875
step = 1600: loss = 60482.578125
step = 1800: loss = 802764.8125
step = 2000: loss = 1689283.0
step = 2000: Average Return = 63.400001525878906
step = 2200: loss = 4928921.0
step = 2400: loss = 5508345.0
step = 2600: loss = 17888162.0
step = 2800: loss = 23993148.0
step = 3000: loss = 10192765.0
step = 3000: Average Return = 74.0999984741211
step = 3200: loss = 88318176.0
step = 3400: loss = 77485728.0
step = 3600: loss = 3236693504.0
step = 3800: loss = 102289840.0
step = 4000: loss = 168594496.0
step = 4000: Average Return = 73.5999984741211
step = 4200: loss = 348990528.0
step = 4400: loss = 101819664.0
step = 4600: loss = 136486208.0
step = 4800: loss = 133454864.0
step = 5000: loss = 592934784.0
step = 5000: Average Return = 71.5999984741211
step = 5200: loss = 216909120.0
step = 5400: loss = 181369648.0
step = 5600: loss = 600455680.0
step = 5800: loss = 551183744.0
step = 6000: loss = 368749824.0
step = 6000: Average Return = 83.5
step = 6200: loss = 1010418176.0
step = 6400: loss = 171257856.0
step = 6600: loss = 115424904.0
step = 6800: loss = 144941152.0
step = 7000: loss = 257932752.0
step = 7000: Average Return = 107.0
step = 7200: loss = 854109248.0
step = 7400: loss = 95970128.0
step = 7600: loss = 325583744.0
step = 7800: loss = 858134016.0
step = 8000: loss = 197960128.0
step = 8000: Average Return = 124.19999694824219
step = 8200: loss = 310187552.0
step = 8400: loss = 572293760.0
step = 8600: loss = 2338323456.0
step = 8800: loss = 384659392.0
step = 9000: loss = 676924544.0
step = 9000: Average Return = 200.0
step = 9200: loss = 946199168.0
step = 9400: loss = 605189504.0
step = 9600: loss = 768988928.0
step = 9800: loss = 508231776.0
step = 10000: loss = 526518016.0
step = 10000: Average Return = 200.0
step = 10200: loss = 1461528704.0
step = 10400: loss = 709822016.0
step = 10600: loss = 2770553344.0
step = 10800: loss = 496421504.0
step = 11000: loss = 1822116864.0
step = 11000: Average Return = 200.0
step = 11200: loss = 744854208.0
step = 11400: loss = 778800384.0
step = 11600: loss = 667049216.0
step = 11800: loss = 586587648.0
step = 12000: loss = 2586833920.0
step = 12000: Average Return = 200.0
step = 12200: loss = 1002041472.0
step = 12400: loss = 1526919552.0
step = 12600: loss = 1670877056.0
step = 12800: loss = 1857608704.0
step = 13000: loss = 1040727936.0
step = 13000: Average Return = 200.0
step = 13200: loss = 1807798656.0
step = 13400: loss = 1457996544.0
step = 13600: loss = 1322671616.0
step = 13800: loss = 22940983296.0
step = 14000: loss = 1556422912.0
step = 14000: Average Return = 200.0
step = 14200: loss = 2488473600.0
step = 14400: loss = 46558289920.0
step = 14600: loss = 1958968960.0
step = 14800: loss = 4677744640.0
step = 15000: loss = 1648418304.0
step = 15000: Average Return = 200.0
step = 15200: loss = 46132723712.0
step = 15400: loss = 2189093888.0
step = 15600: loss = 1204941056.0
step = 15800: loss = 1578462080.0
step = 16000: loss = 1695949312.0
step = 16000: Average Return = 200.0
step = 16200: loss = 19554553856.0
step = 16400: loss = 2857277184.0
step = 16600: loss = 5782225408.0
step = 16800: loss = 2294467072.0
step = 17000: loss = 2397877248.0
step = 17000: Average Return = 200.0
step = 17200: loss = 2910329088.0
step = 17400: loss = 6317301760.0
step = 17600: loss = 2733602048.0
step = 17800: loss = 32502740992.0
step = 18000: loss = 6295858688.0
step = 18000: Average Return = 200.0
step = 18200: loss = 2564860160.0
step = 18400: loss = 76450430976.0
step = 18600: loss = 6347636736.0
step = 18800: loss = 6258629632.0
step = 19000: loss = 8091572224.0
step = 19000: Average Return = 200.0
step = 19200: loss = 3860335616.0
step = 19400: loss = 3552561152.0
step = 19600: loss = 4175943424.0
step = 19800: loss = 5975838720.0
step = 20000: loss = 4709884928.0
step = 20000: Average Return = 200.0

VISUALIZATION

भूखंडों

उपयोग matplotlib.pyplot कैसे नीति प्रशिक्षण के दौरान सुधार चार्ट बनाने के लिए।

में से एक यात्रा Cartpole-v0 200 समय कदम होते हैं। पर्यावरण के ईनाम देता +1 प्रत्येक चरण के लिए पोल रहता है ऊपर है, तो एक एपिसोड के लिए अधिकतम वापसी 200 चार्ट से पता चलता है कि अधिक से अधिक वापसी की दिशा में हर बार यह प्रशिक्षण के दौरान मूल्यांकन किया जाता है बढ़ रही है। (यह थोड़ा अस्थिर हो सकता है और हर बार नीरस रूप से नहीं बढ़ सकता है।)

iterations = range(0, num_iterations + 1, eval_interval)
plt.plot(iterations, returns)
plt.ylabel('Average Return')
plt.xlabel('Iterations')
plt.ylim(top=250)

(40.82000160217285, 250.0)

पीएनजी

वीडियो

चार्ट अच्छे हैं। लेकिन अधिक रोमांचक यह देखना है कि एक एजेंट वास्तव में एक वातावरण में एक कार्य कर रहा है।

सबसे पहले, नोटबुक में वीडियो एम्बेड करने के लिए एक फ़ंक्शन बनाएं।

def embed_mp4(filename):
  """Embeds an mp4 file in the notebook."""
  video = open(filename,'rb').read()
  b64 = base64.b64encode(video)
  tag = '''
  <video width="640" height="480" controls>
    <source src="data:video/mp4;base64,{0}" type="video/mp4">
  Your browser does not support the video tag.
  </video>'''.format(b64.decode())

  return IPython.display.HTML(tag)

अब एजेंट के साथ कार्टपोल गेम के कुछ एपिसोड के माध्यम से पुनरावृति करें। अंतर्निहित अजगर पर्यावरण (एक "अंदर" TensorFlow पर्यावरण आवरण) एक प्रदान करता है render() विधि है, जो पर्यावरण राज्य की एक छवि आउटपुट। इन्हें एक वीडियो में एकत्र किया जा सकता है।

def create_policy_eval_video(policy, filename, num_episodes=5, fps=30):
  filename = filename + ".mp4"
  with imageio.get_writer(filename, fps=fps) as video:
    for _ in range(num_episodes):
      time_step = eval_env.reset()
      video.append_data(eval_py_env.render())
      while not time_step.is_last():
        action_step = policy.action(time_step)
        time_step = eval_env.step(action_step.action)
        video.append_data(eval_py_env.render())
  return embed_mp4(filename)

create_policy_eval_video(agent.policy, "trained-agent")

WARNING:root:IMAGEIO FFMPEG_WRITER WARNING: input image is not divisible by macro_block_size=16, resizing from (400, 600) to (400, 608) to ensure video compatibility with most codecs and players. To prevent resizing, make your input image divisible by the macro_block_size or set the macro_block_size to None (risking incompatibility). You may also see a FFMPEG warning concerning speedloss due to data not being aligned.
[swscaler @ 0x55d99fdf83c0] Warning: data is not aligned! This can lead to a speed loss

मनोरंजन के लिए, प्रशिक्षित एजेंट (ऊपर) की तुलना किसी ऐसे एजेंट से करें जो बेतरतीब ढंग से घूम रहा हो। (यह भी नहीं करता है।)

create_policy_eval_video(random_policy, "random-agent")

WARNING:root:IMAGEIO FFMPEG_WRITER WARNING: input image is not divisible by macro_block_size=16, resizing from (400, 600) to (400, 608) to ensure video compatibility with most codecs and players. To prevent resizing, make your input image divisible by the macro_block_size or set the macro_block_size to None (risking incompatibility). You may also see a FFMPEG warning concerning speedloss due to data not being aligned.
[swscaler @ 0x55ffa7fe73c0] Warning: data is not aligned! This can lead to a speed loss