[英]Input states for Deep Q Learning
我使用 DQN 進行資源分配,其中代理應將到達請求分配給最佳虛擬機。 我正在修改 Cartpole 代碼如下:
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)
作為 Q 網絡輸入的 Cartpole 狀態由環境給出。
0 Cart Position
1 Cart Velocity -Inf Inf
2 Pole Angle ~ -41.8° ~ 41.8°
3 Pole Velocity At Tip
問題是在我的代碼中 Q 網絡的輸入是什么? 因為代理應該根據到達請求的大小采取最好的行動,但這不是由環境給出的。 我應該通過這個輸入值,大小來饋送 Q 網絡嗎?
Deep Q-Network 架構的輸入由重放內存提供,在代碼的以下部分:
def remember(self, state, action, reward, next_state, done):
self.memory.append((state, action, reward, next_state, done))
如原始論文Deepmind 論文所示,該系統的動態是您與系統交互,將轉換存儲在重放內存中,然后將其用於訓練步驟。 在上面的幾行中,您存儲了這些經驗。
基本上,網絡的輸入是狀態並輸出 Q 值。 在您的代碼中,沒有與環境的交互,那時您可以獲得這些轉換(體驗)來提供重放記憶。 因此,如果您無法提取環境中的某些信息以表示為狀態,則您無法對此做出假設。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.