????优质资源分享????
| ???? Python实战微信订餐小程序 ???? | 进阶级 | 本课程是python flask+微信小程序的完美结合，从项目搭建到腾讯云部署上线，打造一个全栈订餐系统。 |
| ????Python量化交易实战???? | 入门级 | 手把手带你打造一个易扩展、更安全、效率更高的量化交易系统 |
FlappyBird是一款游戏，玩家控制的对象是游戏中的“小鸟”，在游戏运行瞬间有两个可以采取的动作：按下“上升”键，使得小鸟向上跳跃，而未按下任何按键时小鸟则以恒定速率下降。
如今，深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示，使得机器学习模型可以直接学习概念，如直接从原始像数据进行物体类别分类。深层卷积神经网络采用平铺分层卷积滤波器层来模拟视野接受域的影响，在处理计算机视觉问题上，如分类和检测问题，获得了很大成功。本文目的是开发一个深层神经网络模型，具体地，是利用像中的不同对象训练卷积神经网络，进行基于游戏画面场景状态分析进行像识别分类。从原始像素中学习游戏的特性，并决定采取相应行动，本质上是一个对游戏场景中特定状态的模式识别过程，在此设计了一个强化学习系统，通过自主学习来玩这款游戏。
当通过很少预定的行为进行编程不能充分解决问题时，可采用强化学习方式，这是一种通过进行场景训练，使算法在输入未知和多维数据时做出正确的决策方式。通过这种方式，可以进行在线学习，而且算法可以学会自动对像进行特征提取，对于训练中未出现的场景和状态也同样可以进行分类和预测。
FlappyBird游戏
相关工作与实现方法
1相关工作
2实现方法
本文是通过训练一个深度卷积神经网络模型进行特定游戏状态下像的识别与分类。深度Q学习网络是一个经改进过的Q学习算法训练得到的卷积神经网络，其输入是原始的游戏画面，输出是一个评价未来奖励的价值函数。人工智能系统的任务是提取游戏运行的像，并输出从可采取的操作集合中提取的必要执行动作。这相当于一个分类问题，不过与常见的分类问题不同，这里没有带标记的数据来训练模型。可以采用强化学习，根据执行游戏并基于所观察到的奖励来评价一个给定状态下的动作，以此来进行模型训练。
3构建模型
游戏中小鸟可以采取的动作是煽动翅膀向上飞或不做任何动作。当前状态是由经预处理的当前帧原始像与有限数量的先前帧像构成。这样，每一个状态都将唯一地对应小鸟运动到某一位置所遵循的运动轨迹，从而向模型提供实时信息，先前存储的帧数成为超参数。理想情况下，StStS_t是从t＝1t＝1t＝1开始的所有帧的函数，不过为了减少状态空间，只使用有限的数量帧。如前所述，当鸟撞到管道或屏幕边缘时，可以给其一个负面奖励，如果通过了间隙，可得到一个正面的奖励。这样可以像人类玩家一样，尽量避免死亡并尽可能多得分。有两个奖励，分别是rewardPass和rewardDie。折扣系数为0.用于从未来动作贴现的奖励。
Q学习算法
强化学习的目标是使总回报最大化。在Q学习中，它是非策略的，迭代更新使用的是贝尔曼方程Qi+1=r+γmaxa′Qi
Q_{i+1}=r+gammaunderset{{a}‘}{max}{Q_{i}}其中s′{s}‘和a′{a}‘分别是下一帧的状态和动作，rr是奖励，γγ是折扣因子。QiQ_i是为矩阵在第i次迭代的Q值。这种更新迭代将收敛得到一个最佳的Q函数。为了防止学习僵化，这个动作值函数可以用一个函数近似，以便能更好概括不可预见的状态。学习算法的输入点由sts_t,ata_t,rtr_t,st+1s_{t+1},的列表构成，函数能够通过这些输入点来构建一个能最大限度提高整体回报并以此预测动作的模型。将这里的函数构建为一个卷积神经网络，并使用上述方程中的更新规则更新其参数。以下两个方程为使用损失函数及其梯度来模拟这个函数。L=∑s,a,r,s′−))2L=sum_{s,a,r,{s}’}-)){2}ΔθL=∑s,a,r,s′−2−))ΔθQDelta_{ heta}L=sum_{s,a,r,{s}’}-2-))Delta_{ heta}Q其中，θ heta是训练后的DQN参数，θ− heta^{-}是Q值函数的非更新参数。可以简单地使用上述损失函数的随机梯度下降法和反向传播算法更新神经网络权重。算法1是为训练而设计的算法，是一种加强探索的εvarepsilon贪婪算法。当训练进行时，有εvarepsilon的概率会随机选择动作或选择最优动作aopt=argmaxa′Qa_{opt}=argmax_{{a}’}Q,其中εvarepsilon随着更新次数的增加逐渐减小到0。
1预处理
像处理流程
2DQN结构
如4所示，在当前模型结构中，有3个隐藏层。首先有两个卷积层，然后是两个完全连接层，最终完全连接层的输出是两个动作的得分，结果由损失函数得出。改进的损失函数自动进行Q学习参数设置。遵循空间批量规范，在每个卷积层后都添加ReLu和最大池化层。此外，在第一个仿射层后是一个ReLu激活函数和批量处理标准层。卷积层采用32个大小为步长为带有2×2最大池化核的滤波器。输入像的大小84×8每个时刻有两种可能的输出操作，每次动作将会获得一个得分值，以此决定最佳动作。
表各层参数变化情况
| conv1 | 84×84×4 | 8×8 | 4 | 32 | ReLU | 20×20×32 |
| pooling1 | 20×20×32 | 10×10×32 | ||||
| conv2 | 10×10×32 | 3×3 | 1 | 64 | ReLU | 8×8×64 |
| pooling2 | 8×8×64 | 4×4×64 | ||||
| conv3 | 4×4×64 | 3×3 | 1 | 64 | ReLU | 2×2×64 |
| pooling3 | 2×2×64 | 1×1×64 | ||||
| Fc1 | 1×1×4 | 64×1 | ||||
| Fc2 | 1×64 | 2×1 |
考虑到模型处理的精度，可以适当提高模型的复杂度，这里将卷积层的数目改进为3个，同时有3个池化层，两个全连接层，开始时叠加连续4帧预处理后的像作为输入，表1详细列出了后的模型在每个步骤上的数据尺寸变化及各层参数。
卷积神经网络结构
3经验回放与稳定性
在Q学习中，以连续方式记录的经验数据是高度相关的。若使用相同的顺序更新DQN参数，训练过程就会受到干扰。与从一个标记的数据集中采样小批量训练分类模型类似，这里同样应该在抽取出的获得更新的DQN经验中引入一定的随机性。为此设置一个经验回放存储器，用来存储每帧游戏画面的经验数据,直到达到其最大存储容量。重现的经验数据填充到一定的数量，随机抽取小批经验并用于进行DQN参数上的梯度下降。以固定的时间间隔更新DQN参数。由于小批量选择结果的随机性，用于更新DQN参数的数据是去相关的。为了提高损失函数收敛的稳定性，使用方程2中提到的带参数θ− heta^{-}的贝尔曼更新方程重现DQN模型。参数θ− heta^{-}是每次DQN的C值更新之后θ heta的更新值，用来计算算法1中yjy_j的值。
4训练设计
整个DQN训练流程如算法1所示。如本节前面部分提到的，经验数据都存储在回放存储器中，每隔一段时间，从存储器随机采样出一小批样本，用于对DQN参数进行梯度下降运算。同网络参数θ− heta^{-}一样，必要时需要适当更新探索的概率。
游戏输出的得分作为唯一的评价指标，为了使结果具有健壮性，取几次游戏的平均得分而不是一次的得分。设置一个衰减值，使εvarepsilon因子在测试和训练中逐渐减小为零。这是在更多的训练和学习时，进行模型决策的保证。
实验与结果
1训练参数
模型参数：FlappyBird游戏每秒播放10帧，最近的4帧像处理后进行组合，生成一个状态；贴现因子γgamma设置为0.9；奖励设置：rewardPass=+0,rewardDie=-0。
DQN参数：探索概率εvarepsilon在600000更新中从0.6线性下降到0。回放存储器的大小设置为20000，每有500次经验，就对存储器数据进行一次小批量采样。每次C更新到100时，目标模型θ− heta^{-}的参数更新一次。小批量的32次经验数据中，随机抽取每5帧更新DQN参数。
训练参数：来更新DQN参数的梯度下降更新法是学习率为1e−61e-β1=0.9β_1=0.β2=0.95β_2=0.95的Adam优化器。在试错基础上选择这些参数，用来观察损失值的收敛性。卷积权重初始化为均值为0，方差为1e−21e-2的正态分布。
2结果与分析
训练结束后，用模型测试了一些游戏状态，以检测是否能得出合理的结果。5示出了一些游戏场景及其相应的预测分数，其结果显示模型准确地对状态进行了分类。
示例游戏场景及其相应的分数。为了更好地理解经过训练的卷积神经网络模型的工作原理，输出像5b在经过卷积层后的像，以实现可视化。可以看出，大多数激活显示出空隙和鸟的边缘处清晰的斑块。可以明显地推断，神经网络在学习寻找小鸟与空隙的相对位置。
卷积层激活在大多数的在雅达利游戏上所做得实验，采用L2的损失函数。这里尝试了L1的损失函数来引入一些正则化。这使得学习率的像一开始就非常陡峭，如7所示。通过这两种情况可以看出，平均得分稳步上升，表明该模型正在稳步学习。
L=∑s,a,r,s′|Q−|L=sum_{s,a,r,{s}‘}left|Q- ight|
两种不同损失函数的学习曲线从表2中可以看出，训练出的DQN模型取得了远超人类水平的良好成绩，在这样一个角色扮演的动画游戏中，可以看到，尽管有时鸟儿会死亡，但它总是力通过水管间的空隙，最可能撞毁的是在间隙的边缘处。对此可以做的是提高模型的能力，可行的解决方案是使用不同的奖励方案，让小鸟走一条远离管道顶部和底部的路径。而人类玩家在玩游戏时也是尽力使小鸟保持在水管间隙中心位置，这同样可以通过一个精心设计的奖励方案实现。
表两种损失函数下模型测试结果
3训练时间
表一定学习率时DQN的平均分
训练迭代的次数指的是DQN更新的次数，结果如表3所示，可以看出，更多的训练次数并不意味着一定能提高模型预测结果的准确性。实际上，更多次的训练存在许多不稳定性以及结果振荡情况，过多次数的训练，模型会出现过拟合情况。这些情况需要在进一步的研究中加以解决，一个可能采取的解决方法是训练时减小学习率或者构建复杂度神经网络模型。
结束语
本文能够成功地运用深度的强化学习模型来玩游戏FlappyBird，和传统的分类任务不同，这里进行像识别任务采用的加强学习有个重要优点，即不需要带标记的数据，完成前面叙述的工作后即可保存训练好的模型。模型实现了特定游戏状态下，游戏执行的最佳动作预测，成功将一个游戏决策问题转换成对瞬时多维像的分类识别问题并运用卷积神经网络加以解决。总的来说，结果显示了深度神经网络在处理像信息上的能力，这为许多潜在的应用开辟了道路。
文章为作者独立观点，不代表 股票程序化软件自动交易接口观点
相关文章
股民评论