[英]Input states for Deep Q Learning
我使用 DQN 进行资源分配,其中代理应将到达请求分配给最佳虚拟机。 我正在修改 Cartpole 代码如下:
import random
import gym
import numpy as np
from collections import deque
from keras.models import Sequential
from keras.layers import Dense
from keras.optimizers import Adam
import os
class DQNAgent:
def __init__(self, state_size, action_size):
self.state_size = state_size
self.action_size = action_size
self.memory = deque(maxlen=2000)
self.gamma = 0.95
self.epsilon = 1.0
self.epsilon_decay = 0.995
self.epsilon_min = 0.01
self.learning_rate = 0.001
self.model = self._build_model()
def _build_model(self):
model = Sequential()
model.add(Dense(24, input_dim=self.state_size, activation='relu'))
model.add(Dense(24, activation='relu'))
model.add(Dense(self.action_size, activation='linear'))
model.compile(loss='mse', optimizer=Adam(lr=self.learning_rate))
return model
def remember(self, state, action, reward, next_state, done):
self.memory.append((state, action, reward, next_state, done))
def act(self, state):
if np.random.rand() <= self.epsilon:
return random.randrange(self.action_size)
act_values = self.model.predict(state)
return np.argmax(act_values[0])
def replay(self, batch_size):
minibatch = random.sample(self.memory, batch_size)
for state, action, reward, next_state, done in minibatch:
target = reward
if not done:
target = (reward + self.gamma * np.amax(self.model.predict(next_state)[0]))
target_f = self.model.predict(state)
target_f[0][action] = target
self.model.fit(state, target_f, epochs=1, verbose=0)
if self.epsilon > self.epsilon_min:
self.epsilon *= self.epsilon_decay
def load(self, name):
self.model.load_weights(name)
def save(self, name):
self.model.save_weights(name)
作为 Q 网络输入的 Cartpole 状态由环境给出。
0 Cart Position
1 Cart Velocity -Inf Inf
2 Pole Angle ~ -41.8° ~ 41.8°
3 Pole Velocity At Tip
问题是在我的代码中 Q 网络的输入是什么? 因为代理应该根据到达请求的大小采取最好的行动,但这不是由环境给出的。 我应该通过这个输入值,大小来馈送 Q 网络吗?
Deep Q-Network 架构的输入由重放内存提供,在代码的以下部分:
def remember(self, state, action, reward, next_state, done):
self.memory.append((state, action, reward, next_state, done))
如原始论文Deepmind 论文所示,该系统的动态是您与系统交互,将转换存储在重放内存中,然后将其用于训练步骤。 在上面的几行中,您存储了这些经验。
基本上,网络的输入是状态并输出 Q 值。 在您的代码中,没有与环境的交互,那时您可以获得这些转换(体验)来提供重放记忆。 因此,如果您无法提取环境中的某些信息以表示为状态,则您无法对此做出假设。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.