<mark id="oztn4"></mark>
0
本文為 AI 研習社編譯的技術博客，原標題 ：
Beating Video Games with Deep-Q-Networks
作者 | Liam Hinzman
翻譯 | ceroo
校對 | 斯蒂芬?二狗子 審核 | 醬番梨 整理 | 立魚王
原文鏈接：
https://towardsdatascience.com/beating-video-games-with-deep-q-networks-7f73320b9592
我愛死玩電子游戲了。
我每天都玩，然而，乒乓球我連10歲妹妹都打不贏。
蠻挫敗的，所以我決定建立一個深度Q網絡，用這個網絡學習如何在任一電子游戲中打敗我的妹妹。
經過幾天的不間斷編程（夜不能寐），這就是我用Deep-Q-Networks所能達成的實踐：
偷偷看下我的DQN模型的結果（綠色球拍）
綠色球拍由DQN模型控制，完全靠它自我對弈 ，以此學習如何玩乒乓球。
隨后，我會詳細說說我的結果，但首先...
什么是DQN（Deep-Q-Networks）,它是如何工作的？
簡單說：DQN結合了深度學習和強化學習來學習如何玩電子游戲，并超過人類水平。
DQNs結合強化學習和深度學習來玩視頻游戲
你所需要知道的是，深度學習（理解DQN）是一種使用神經網絡來模仿人類大腦工作的計算架構。其中，神經網絡的輸入和輸出都是數字。神經網絡可以學習像房價預測或識別腫瘤圖像等任務。
現在，我們繼續回到DQN這條主線...
那么什么是強化學習呢？
強化學習是一種機器學習技術，它通過采取行動來學習如何最大化獎勵。
一條狗可能會嘗試學習，如何最大限度地通過它的吠叫來誘導主人撫摸它的肚皮，或一只貓可能會嘗試學習，如何最大限度地通過它的跳躍“作”得一手好死。這兩種動物都是根據它們當前的狀態采取行動的智能體，試圖最大化某種獎勵。
讓我們更深入地了解這些術語對于一個“吃豆人”游戲的含義。
PacMan（吃豆人）（黃色圓圈）是智能體，這是玩家在游戲中控制的。狀態一般指是游戲中的某個一個時刻，在這里狀態是游戲中的某一幀。智能體可以選擇進入哪個方向（操作），并使用這些操作來避免死于鬼魂（負獎勵）和吃更多的點（正獎勵）。PacMan的目標是最大化你的得分（獎勵）。
重要的強化學習術語
Agent 智能體：計算機控制的內容（pac man）
State 狀態：游戲中的當前時刻（PacMan中的單幀圖像）
Action 行動：由代理人作出的決定（PAC人員向左或向右移動）
Reward 獎勵： 智能體試圖最大化的價值（在pac man中得分）
你還需要了解一件關于強化學習理解深層Q網絡的事情：Q值
Q值，即深度Q網絡中的Q值，是一個動作在給定狀態下的“質量”。如果一個行動具有高的預期長期價值，那么它就是高質量的。
睡前給媽媽一個擁抱（動作）可能不會馬上給我“獎勵”，但從長遠來看，它會給我很多愛（獎勵），所以這個狀態動作對的Q值很高（我在心里計算每晚擁抱媽媽的Q值）。
你需要知道這些強化學習的概念，并以此了解DQN！
那么，我是如何讓一臺電腦學習如何比別人更好地玩電子游戲的（并在乒乓球中擊敗我的妹妹）？
我使用DQN網絡！
DQNs使用Q-learning學習給定狀態下要采取的最佳行動（q值），并使用卷積網絡作為Q-learning的近似值函數。
以下是要記住的關鍵點：
深度學習+強化學習=深度Q網絡(DQN)
而不是為屏幕上的每個像素組合記憶不同的Q值（有十億！）我們使用卷積網絡在相似狀態下推理出類似的Q值。
卷積網絡可以告訴玩電子游戲的'Agent'：“是的，這個位置基本上和另一個相同，向上移動”。這使得'Agent'的工作變得容易多了。它不需要數十億個不同游戲狀態的Q值才能學會，只需要幾百萬個Q值來學習。
下面是我的DQN的卷積網絡在代碼中的樣子：
下面是此代碼塊的作用：
將當前屏幕（狀態）作為輸入
通過3個卷積層傳遞輸入（用于在圖像中查找位置圖案）
注意：不使用池化操作（空間位置在游戲中很重要，我們想知道球在哪里！）
卷積層的輸出被送入2個全連接層。
線性層的輸出則給出了DQN在當前狀態下采取某種行動的概率。
我也做了一些游戲圖像的預處理。Atari游戲通常是210x160像素大小，有128種不同的顏色。為了使我的DQN的工作更容易，我將圖像的采樣率降低到84x84，并使其灰度化。
預處理過圖像不再明亮和多彩，但更容易被我的DQN識別。
現在我們需要一些方法來評估DQN。情況如何？它在學習什么嗎？我們如何調整它使它更好，得到更高的分數？
要知道所有這些，我們需要一個損失函數。
唯一的問題是我們不知道最好的答案是什么，agent應該做什么。DQN如何學習才能比人類玩的更好，因此即使我們想模型達到這樣，我們也無法制作出完美的標記數據集。
相反，我們使用這個損失方程來評估DQN自身：
DQN的損失函數
這個Q網絡Q-Network是給出要采取什么行動的網絡。目標網絡Target Network是給出我們使用的“ground truth”的近似值。
如果Q-Network預測在某一狀態下的正確動作是以60%的確定性（概率）向上移動，而目標網絡告訴我們“你應該向上移動”，我們將使用反向傳播調整Q-Network的參數，使其更可能預測在該狀態下的“向上移動”。
我們通過DQN反向傳播這種損失，并稍微調整Q網絡的權重以減少損失。
該損失函數試圖使DQN輸出的移動概率更接近于目標網絡給出的“正確選擇”，即接近100%確定性。
現在DQNs好像就是Q學習和卷積網絡的結合，基本上可以這樣看。這個想法很簡單，為什么它只在2015年被DeepMind研究人員引入？
神經網絡不能很好地進行強化學習。
為什么神經網絡和強化學習不能融洽相處？
兩個原因
高度相關數據
非平穩分布
在有監督學習中，數據是不相關和固定的。當圖像分類器正在學習什么使一只貓成為一只貓時，顯示給它的每個圖像都將顯著不同，數據是不相關的。此外，網絡的預測（通常）不會影響下一步將看到的圖像，數據集是固定的，并且是從中隨機抽樣的。靜止的不相關數據與神經網絡很好地配合。
在強化學習中，數據是高度相關和非平穩的。當pac man移到右邊時，板看起來基本相同，數據高度相關。此外，網絡的決定影響下一個狀態，這使得數據分布非平穩。如果馬里奧右移，他會看到新的硬幣。這些硬幣會讓馬里奧認為向右移動總是個好主意，也許他永遠不會發現他左邊的秘密通道。
經驗回放Experience Replay讓神經網絡能很好地進行強化學習。
‘Agent’獲得的每個經驗（包括當前狀態、動作、獎勵和下一個狀態）都存儲在所謂的經驗回放內存中。
這種訓練方式與DQN網絡在當前學習中所獲得樣本來訓練不同，是從重放存儲器中隨機抽取“回放”來訓練網絡。
經驗回放讓深度學習和強化學習成為兄弟。
與標準Q學習相比，經驗回放有三個優勢：
更高數據利用
使數據不相關
平均數據分布
首先，每個經驗都可能被用于對DQN的神經網絡進行多次訓練，從而提高數據效率。
第二，隨機抽取經驗樣本對DQN神經網絡進行訓練，打破了經驗之間的相關性，減少了訓練更新時的方差。
第三，當從經驗中學習時，一旦獲得經驗（稱為策略學習），當前參數就決定了參數所訓練的下一個數據樣本。例如，如果最好的行動是將Pac Man向左移動，那么訓練樣本將由來自經驗池中向左運動相關樣本為主。
這種行為可能會導致DQN陷入糟糕的局部最小值，甚至使其發生災難性的偏離（比我更糟糕）。
如果你不使用經驗回放，模型會經常看到這個畫面。
通過使用經驗回放，用來訓練DQN的經驗來自許多不同的時間點。這樣可以消除學習障礙，避免災難性的失敗。
這種簡單的經驗概念解決了神經網絡在強化學習中的問題。現在他們可以融洽相處地一起玩了！
我在pytorch創建了一個DQN，并訓練它玩乒乓球。
起初，我的DQN只能隨意地玩乒乓球，但經過3個小時的訓練，它學會了如何比人類玩得更好！
綠色槳是由我的超級棒DQN控制的
最瘋狂的事情是我不需要更改一行代碼就可以訓練DQN來玩另一個游戲，并且，就可以在該游戲中到達超過人類的游戲水平。
這意味著，同樣的算法，教計算機控制這個綠色的乒乓球拍，也可以教計算機如何在毀滅戰士中射擊惡魔。
DQN最酷的一點是他們可以學習我甚至不知道的游戲策略。在款游戲beakout中，DQN學會怎么樣繞過邊路快速到達頂部，并獲得大量的積分。
我創造了這個DQN，它學到了我甚至不知道的東西！
DQN可以發現其創建者從未知道的策略！
這意味著計算機現在可以幫助我們學習最喜愛的電子游戲的新策略。也許DQNS會想辦法在《超級馬里奧兄弟》中快速到達World 9關卡。
使用DQNs電腦可以學習如何比人類更好地玩電子游戲。
在DQNs中，經驗回放讓神經網絡和強化學習協同工作。
DQN可以學習他們的創建者不知道的策略。
有了DQNs，我可以在和ai玩電子游戲時打敗我10歲的妹妹，那么下一步該怎么辦呢？
也許我會訓練一個人工智能來說服她把電視遙控器給我（這是一項更艱巨的任務）。
在 Google Colab 查看我的DQN的所有代碼
訪問我的個人網站
注冊我的每月通訊
感謝 Aadil A..
想要繼續查看該篇文章相關鏈接和參考文獻？
點擊【用深度Q網絡玩電子游戲】或長按下方地址：
https://ai.yanxishe.com/page/TextTranslation/1512
AI研習社今日推薦：雷鋒網雷鋒網雷鋒網
伯克利大學 CS 294-112 《深度強化學習課程》為官方開源最新版本，由伯克利大學該門課程授課講師 Sergey Levine 授權 AI 研習社翻譯。
加入小組免費觀看視頻：https://ai.yanxishe.com/page/groupDetail/30
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
