DQN และ Double DQN
ทำให้ RL คล้าย supervised learning มากขึ้น
DQN เพิ่ม 2 เทคนิคให้ NFQ เพื่อให้เรียนได้เสถียร: replay buffer และ target network ส่วน Double DQN แก้ปัญหาการประเมินค่าสูงเกินไป
คะแนนสูงสุดของ CartPole คือ 500 คะแนนขึ้นลงไม่คงที่เป็นเรื่องปกติของ DRL โค้ดนี้ใช้เวลารันประมาณ 2–5 นาที
Replay bufferเก็บประสบการณ์ไว้มากแล้วสุ่ม mini-batch มาเรียน ทำให้ข้อมูลใกล้ IID
Target networkสำเนา network ไว้คำนวณ target และอัปเดตเป็นระยะ
DQN : y = r + γ · max_a' Q_target(s', a')
DDQN : y = r + γ · Q_target(s', argmax_a' Q_online(s', a'))
Huber loss เป็น MSE เมื่อ error เล็ก และเป็น MAE เมื่อ error ใหญ่ จึงไม่ทำให้ gradient ระเบิด
สิ่งที่ควรจำ
- Replay buffer แก้ IID, target network แก้ target เคลื่อนที่
- Double DQN เปลี่ยนโค้ดแค่ 1–2 บรรทัดแต่ช่วยได้มาก
import random, collections
import numpy as np, torch, torch.nn as nn
import gymnasium as gym
env = gym.make("CartPole-v1")
n_obs, n_act = env.observation_space.shape[0], env.action_space.n
torch.manual_seed(0); random.seed(0)
def make_net():
return nn.Sequential(nn.Linear(n_obs, 128), nn.ReLU(),
nn.Linear(128, 128), nn.ReLU(),
nn.Linear(128, n_act)) # state in -> Q ທຸກ action out
online, target = make_net(), make_net()
target.load_state_dict(online.state_dict()) # target network
opt = torch.optim.Adam(online.parameters(), lr=1e-3)
buffer = collections.deque(maxlen=50_000) # replay buffer
gamma, batch_size, step = 0.99, 64, 0
for ep in range(400):
s, _ = env.reset(seed=ep)
done, ep_return = False, 0.0
while not done:
eps = max(0.05, 1.0 - step / 10_000) # epsilon ຫຼຸດແບບເສັ້ນຊື່
if random.random() < eps:
a = env.action_space.sample()
else:
with torch.no_grad():
a = int(online(torch.tensor(s)).argmax())
s2, r, term, trunc, _ = env.step(a)
buffer.append((s, a, r, s2, term))
s, done, ep_return, step = s2, term or trunc, ep_return + r, step + 1
if len(buffer) >= 1000:
batch = random.sample(buffer, batch_size) # ສຸ່ມ → ຂໍ້ມູນໃກ້ IID
S, A, R, S2, T = (torch.tensor(np.array(x)) for x in zip(*batch))
with torch.no_grad():
a2 = online(S2).argmax(1, keepdim=True) # Double DQN:
q2 = target(S2).gather(1, a2).squeeze(1) # online ເລືອກ, target ປະເມີນ
y = R.float() + gamma * q2 * (1 - T.float())
q = online(S).gather(1, A.long().unsqueeze(1)).squeeze(1)
loss = nn.functional.huber_loss(q, y) # Huber loss
opt.zero_grad(); loss.backward(); opt.step()
if step % 200 == 0:
target.load_state_dict(online.state_dict()) # ອັບເດດ target ເປັນໄລຍະ
if ep % 25 == 0:
print(f"ເກມທີ {ep:3d} ຄະແນນ {ep_return:5.0f}")
ผลลัพธ์
ເກມທີ 0 ຄະແນນ 12 ເກມທີ 25 ຄະແນນ 20 ເກມທີ 50 ຄະແນນ 15 ເກມທີ 75 ຄະແນນ 20 ເກມທີ 100 ຄະແນນ 42 ເກມທີ 125 ຄະແນນ 12 ເກມທີ 150 ຄະແນນ 128 ເກມທີ 175 ຄະແນນ 17 ເກມທີ 200 ຄະແນນ 128 ເກມທີ 225 ຄະແນນ 108 ເກມທີ 250 ຄະແນນ 136 ເກມທີ 275 ຄະແນນ 148 ເກມທີ 300 ຄະແນນ 500 ເກມທີ 325 ຄະແນນ 500 ເກມທີ 350 ຄະແນນ 89 ເກມທີ 375 ຄະແນນ 242
- #DeepRL
- #ReinforcementLearning
- #PythonສຳລັບຄົນLaos
- #AI
- #ບອກຕໍ່ຄວາມຮູ້