Question

因此，我已经使用OpenAI Gym创建了一个自定义环境。我密切关注CartQole示例的DQNAgent的keras-rl示例，该示例导致以下实现：

nb_actions = env.action_space.n

# Option 1 : Simple model
model = Sequential()
model.add(Flatten(input_shape=(1,) + env.observation_space.shape))
model.add(Dense(nb_actions))
model.add(Activation('linear'))

# Next, we build a very simple model. 
#model = Sequential() 
#model.add(Flatten(input_shape=(1,) + env.observation_space.shape)) 
#model.add(Dense(16)) 
#model.add(Activation('relu')) 
#model.add(Dense(16)) 
#model.add(Activation('relu')) 
#model.add(Dense(16)) 
#model.add(Activation('relu')) 
#model.add(Dense(nb_actions, activation='linear')) 
#model.add(Activation('linear'))

# Finally, we configure and compile our agent. You can use every built-in Keras optimizer and # even the metrics! 

memory = SequentialMemory(limit=50000, window_length=1) 
policy = BoltzmannQPolicy() 
dqn = DQNAgent(model=model, nb_actions=nb_actions, memory=memory, nb_steps_warmup=10, target_model_update=1e-2, policy=policy) 

dqn.compile(Adam(lr=1e-3), metrics=['mae']) 

# Okay, now it's time to learn something! We visualize the training here for show, but this # slows down training quite a lot. You can always safely abort the training prematurely using # Ctrl + C. 

dqn.fit(env, nb_steps=2500, visualize=False, verbose=2) 

# After training is done, we save the final weights. 

dqn.save_weights('dqn_{}_weights.h5f'.format(ENV_NAME), overwrite=True) 

# Finally, evaluate our algorithm for 5 episodes. 

dqn.test(env, nb_episodes=10, visualize=False)

所以一切看起来都和预期一样，直到dqn.test函数调用为止。 dqn.fit的示例输出如下：

... 1912/2500：情节：8，持续时间：1.713s，情节步数：239，每秒的步数：139，情节奖励：-78.774，平均奖励：-0.330 [-27928.576，18038.443]，平均动作：0.657 [0.000，2.000 ]，平均观察值：8825.907 [5947.400，17211.920]，损失：7792970.500000，mean_absolute_error：653.732361，mean_q：1.000000

2151/2500：情节：9，持续时间：1.790s，情节步数：239，每秒的步数：134，情节奖励：-23335.055，平均奖励：-97.636 [-17918.534，17819.400]，平均动作：0.636 [ 0.000，2.000]，平均观察值：8825.907 [5947.400，17211.920]，损失：8051206.500000，mean_absolute_error：676.335266，mean_q：1.000000

2390/2500：情节：10，持续时间：1.775s，情节步数：239，每秒的步数：135，情节奖励：16940.150，平均奖励：70.879 [-25552.948，17819.400]，平均动作：0.611 [0.000， 2.000]，平均观察值：8825.907 [5947.400，17211.920]，损失：8520963.000000，mean_absolute_error：690.176819，mean_q：1.000000

随着各种奖励的不同，在我看来，这种配件正在按预期工作。但是，当运行dqn.test方法时，它将继续为每个情节生成相同的输出。就我使用的数据而言，负面奖励是不好的，正面奖励会很好。

这是测试方法运行的结果：

测试10集

第1集：奖励：-62996.100，步数：239
第2集：奖励：-62996.100，步数：239
第3集：奖励：-62996.100，步数：239
第4集：奖励：-62996.100，步数：239
第5集：奖励：-62996.100，步数：239
第6集：奖励：-62996.100，步数：239
第7集：奖励：-62996.100，步数：239
第8集：奖励：-62996.100，步数：239
第9集：奖励：-62996.100，步数：239
第10集：奖励：-62996.100，步数：239

这使我想到两个问题：

1）为什么每个情节的奖励都相同？

2）为什么该模型会建议一系列导致可怕奖励的动作？

Answer 1

我将检查env对象，看看它是否已经在其中进行奖励计算。

我想知道.fit函数是否由于某种原因没有探索状态空间。

我最近使用开放的AI健身房和Keras进行了RL项目（月球着陆器），尽管我没有使用DQN代理和其他内置RL内容的Keras。我只是建立了一个简单的feedforwad网络。检查此GitHub链接是否有帮助？ https://github.com/tianchuliang/techblog/tree/master/OpenAIGym

拟合模型后Keras-RL情节返回相同的值

1 个答案: