使用深度 Q 学习的 AI 驱动蛇游戏｜Python 主题月

发表于

本文正在参加「Python主题月」，详情查看 活动链接

简介： 该项目基于强化学习，训练蛇吃环境中存在的食物。

下面给出了一个示例 gif，您可以了解我们将要构建的内容。

AI驱动的蛇

Animation.gif

要了解我们如何使用 pygame 手动构建这个蛇 2D 动画模拟，请点击链接：

手把手教你使用 Python 制作贪吃蛇游戏｜Python 主题月

在构建基本的蛇游戏之后，现在我们将专注于如何将强化学习应用于它。

我们必须在这个项目中创建三个模块：

  1. 环境（我们刚刚构建的游戏）
  2. 模型（移动预测的强化模型）
  3. 代理（环境和模型之间的中介）

模块链接
image.png

算法：

我们在棋盘上随机放置了蛇和食物。

  • 使用 11 个值计算蛇的状态。如果有任何条件为真，则将该值设置为0，否则设置1。

如何定义 11 个状态

基于当前的 Head 位置代理将计算 11 个状态值，如上所述。

  • 获得这些状态后，代理会将其传递给模型并执行下一步操作。
  • 执行下一个状态后计算奖励。奖励定义如下：
+ **吃食物：+10**
+ **游戏结束：-10**
+ **其他：0**
  • 更新 Q 值（稍后将讨论）并训练模型。
  • 在分析了算法之后，现在我们必须建立思想来继续编码这个算法。

该模型：

image.png

神经网络模型

该模型是使用 Pytorch 设计的，但您也可以根据自己的舒适度使用 TensorFlow。

我们正在使用具有11 大小输入层和具有 256 个神经元和3 个神经 元 输出的 密集层的密集神经网络 。 您可以调整这些超参数以获得最佳结果。

模型如何工作？

  • 游戏开始，Q值随机初始化。
  • 系统获取当前状态 s。
  • 它基于 s，随机或基于其神经网络执行一个动作。在训练的第一阶段，系统经常选择随机动作来最大化探索。后来，该系统越来越依赖其神经网络。
  • 当 AI 选择并执行动作时，环境会给予奖励。然后，代理到达新状态并根据贝尔曼方程更新其 Q 值。

image.png
贝尔曼方程

  • 此外，对于每一步，它存储原始状态、动作、执行该动作后达到的状态、获得的奖励以及游戏是否结束。这些数据随后被采样以训练神经网络。此操作称为重放记忆。
  • 重复最后两个操作，直到满足某个条件（例如：游戏结束）。

该项目的核心是您将要训练的模型，因为蛇将采取的动作的正确性完全取决于您构建的模型的质量。所以我想用部分代码向你解释这一点。

第一部分

  1. 创建一个名为 Linear_Qnet 的类，用于初始化线性神经网络。
  2. 函数forward用于取输入（11个状态向量）并通过神经网络并应用 relu 激活函数并将输出返回给下一个
    移动 1 x 3 矢量大小。简而言之，这是代理将调用的预测函数。
  3. save函数用于保存训练好的模型以备后用。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
python复制代码class Linear_QNet(nn.Module):
	def __init__(self, input_size, hidden_size, output_size):
		super().__init__()
		self.linear1 = nn.Linear(input_size, hidden_size)
		self.linear2 = nn.Linear(hidden_size, output_size)

	def forward(self, x):
		x = F.relu(self.linear1(x))
		x = self.linear2(x)
		return x

	def save(self, file_name='model_name.pth'):
		model_folder_path = 'Path'
		file_name = os.path.join(model_folder_path, file_name)
		torch.save(self.state_dict(), file_name)

第二部分

1.初始化QTrainer类
∗ 设置优化器的学习率。

  • Gamma 值是贝尔曼方程中使用的贴现率。
  • 初始化 Adam 优化器以更新权重和偏差。
  • 标准是均方损失函数。

2.train_step 函数

  • 如您所知，PyTorch 仅适用于张量，因此我们正在转换所有输入到张量。
  • 如上所述，我们进行了短暂的记忆训练，然后我们只会传递一个值
    状态、动作、奖励、移动 所以我们需要把它们转换成一个向量，所以我们使用了
    未压缩的功能。
  • 从模型中获取状态并使用以下公式计算新的 Q 值：
    Q_new = 奖励 + gamma * max(next_predicted Qvalue)
  • 计算新 Q 值和先前 Q 值之间的均方误差和
    反向传播该损失以进行权重更新。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
c++复制代码class QTrainer:
	def __init__(self,model,lr,gamma):
#Learning Rate for Optimizer
		self.lr = lr
#Discount Rate
		self.gamma = gamma
#Linear NN defined above.
		self.model = model
#optimizer for weight and biases updation
		self.optimer = optim.Adam(model.parameters(),lr = self.lr)
#Mean Squared error loss function
		self.criterion = nn.MSELoss()
		

	
	def train_step(self,state,action,reward,next_state,done):
		state = torch.tensor(state,dtype=torch.float)
		next_state = torch.tensor(next_state,dtype=torch.float)
		action = torch.tensor(action,dtype=torch.long)
		reward = torch.tensor(reward,dtype=torch.float)

#only one parameter to train,							 \
	Hence convert to tuple of shape(1, x)
		if(len(state.shape) == 1):
#(1, x)
			state = torch.unsqueeze(state,0)
			next_state = torch.unsqueeze(next_state,0)
			action = torch.unsqueeze(action,0)
			reward = torch.unsqueeze(reward,0)
			done = (done, )

# 1. Predicted Q value with current state
		pred = self.model(state)
		target = pred.clone()
		for idx in range(len(done)):
			Q_new = reward[idx]
			if not done[idx]:
				Q_new = reward[idx] +
				self.gamma * torch.max(self.model(next_state[idx]))
			target[idx][torch.argmax(action).item()] = Q_new
# 2. Q_new = reward + gamma * max(next_predicted Qvalue)
#pred.clone()
#preds[argmax(action)] = Q_new
		self.optimer.zero_grad()
		loss = self.criterion(target,pred)
		loss.backward() # backward propogation of loss

		self.optimer.step()

代理

  • 从环境中获取蛇的当前状态。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
python复制代码def get_state(self, game):
	head = game.snake[0]
	point_l = Point(head.x - BLOCK_SIZE, head.y)
	point_r = Point(head.x + BLOCK_SIZE, head.y)
	point_u = Point(head.x, head.y - BLOCK_SIZE)
	point_d = Point(head.x, head.y + BLOCK_SIZE)

	dir_l = game.direction == Direction.LEFT
	dir_r = game.direction == Direction.RIGHT
	dir_u = game.direction == Direction.UP
	dir_d = game.direction == Direction.DOWN

	state = [
		# Danger Straight
		(dir_u and game.is_collision(point_u))or
		(dir_d and game.is_collision(point_d))or
		(dir_l and game.is_collision(point_l))or
		(dir_r and game.is_collision(point_r)),

		# Danger right
		(dir_u and game.is_collision(point_r))or
		(dir_d and game.is_collision(point_l))or
		(dir_u and game.is_collision(point_u))or
		(dir_d and game.is_collision(point_d)),

		# Danger Left
		(dir_u and game.is_collision(point_r))or
		(dir_d and game.is_collision(point_l))or
		(dir_r and game.is_collision(point_u))or
		(dir_l and game.is_collision(point_d)),

		# Move Direction
		dir_l,
		dir_r,
		dir_u,
		dir_d,

		# Food Location
		game.food.x < game.head.x, # food is in left
		game.food.x > game.head.x, # food is in right
		game.food.y < game.head.y, # food is up
		game.food.y > game.head.y # food is down
	]
	return np.array(state, dtype=int)
  • 调用模型获取蛇的下一个状态
1
2
3
4
5
6
7
8
9
10
11
12
13
python复制代码def get_action(self, state):
	# 随机移动: tradeoff explotation / exploitation
	self.epsilon = 80 - self.n_game
	final_move = [0, 0, 0]
	if(random.randint(0, 200) < self.epsilon):
		move = random.randint(0, 2)
		final_move[move] = 1
	else:
		state0 = torch.tensor(state, dtype=torch.float).cuda()
		prediction = self.model(state0).cuda() # prediction by model
		move = torch.argmax(prediction).item()
		final_move[move] = 1
	return final_move

注意： 开发和探索之间存在权衡。开发包括根据目前观察到的数据做出假设为最佳的决定。探索是在不考虑之前的动作和奖励对的情况下随机做出决定。因此，无论是必要的，因为考虑利用漏洞可以导致代理无法探索整个环境，并探索可能并不总是提供一个更好的奖励。

  • 在环境中播放模型预测的步骤。
  • 存储当前状态、执行的移动和奖励。
  • 根据执行的移动和环境获得的奖励训练模型。（训练短记忆）
1
2
python复制代码def train_short_memory(self, state, action, reward, next_state, done):
	self.trainer.train_step(state, action, reward, next_state, done)
  • 如果游戏因撞墙或身体而结束，则根据到目前为止执行的所有移动来训练模型并重置环境。（训练长记忆）。以 1000 的批量大小进行训练。
1
2
3
4
5
6
7
python复制代码def train_long_memory(self):
	if (len(self.memory) > BATCH_SIZE):
		mini_sample = random.sample(self.memory, BATCH_SIZE)
	else:
		mini_sample = self.memory
	states, actions, rewards, next_states, dones = zip(*mini_sample)
	self.trainer.train_step(states, actions, rewards, next_states, dones)

训练模型需要大约 100 个时期才能获得更好的性能。查看我的训练进度。

输出：

  • 要运行此游戏，请先在 anaconda 提示符或（任何平台）中创建一个环境。然后安装必要的模块，如 Pytorch（用于 DQ 学习模型）、Pygame（用于游戏的视觉效果）和其他基本模块。
  • 然后在刚刚创建的环境中运行agent.py文件，开始训练，你会看到如下两个GUI，一个是训练进度，一个是AI驱动的snake game。
  • 达到一定分数后可以退出游戏，刚刚训练好的模型会保存在models.py的save函数中定义的路径中。

将来，您只需更改 agent.py 文件中的代码即可使用此训练模型，如下所示：

1
python复制代码self.model.load_state_dict(torch.load('PATH'))

注意： 注释掉所有训练函数调用。

培训进度
image.png

第一代版本
InitialTraining.gif

第二代版本

Animation (1).gif

源代码： SnakeGameAI

应用：

该项目的目标是提出一个想法，即如何应用强化学习以及如何将其用于现实世界的应用程序，例如自动驾驶汽车（例如：AWS DeepRacer）、在装配线上训练机器人等等…

提示：

  • 使用单独的环境并安装所有必需的模块。（可以使用anaconda环境）
  • 为了训练模型，您可以使用 GPU 进行更快的训练。

快速总结——使用深度 Q 学习的 AI 驱动蛇游戏

我希望本系列教程能够帮助到您，博主也在学习进行中，如有什么错误的地方还望批评指正。如果您喜欢这篇文章并有兴趣看到更多此类文章，可以看看这里(Github/Gitee) 这里汇总了我的全部原创及作品源码，关注我以查看更多信息。

🧵 更多相关文章

🍰 往日优秀文章推荐：

如果你真的从这篇文章中学到了一些新东西，喜欢它，收藏它并与你的小伙伴分享。🤗最后，不要忘了❤或📑支持一下哦

本文转载自: 掘金

开发者博客 – 和开发相关的 这里全都有

0%