Flappy Bird QDN PyTorch博客 - 代码解读
- 介绍
- 环境配置
- 项目目录结构
- QDN算法
- 重要函数解读
- preprocess(observation)
- DeepNetWork(nn.Module)
- BirdDQN类
- 主程序部分
介绍
在本博客中，我们将介绍如何使用QDN（Quantile Dueling Network）算法，在PyTorch平台下训练Flappy Bird游戏。QDN算法是一种强化学习算法，特别适用于处理具有不确定性的环境，如游戏。
环境配置
在开始之前，请确保您已经配置好了以下环境：
(rl) PS C:\Users\dd> conda list
# packages in environment at D:\Software\Miniconda3\envs\rl:
#
# Name Version Build Channel
numpy 1.22.3 py38h7a0a035_0 defaults
numpy-base 1.22.3 py38hca35cd5_0 defaults
opencv-python 4.6.0.66 pypi_0 pypi
pillow 6.2.1 pypi_0 pypi
pygame 2.1.2 pypi_0 pypi
pygments 2.11.2 pyhd3eb1b0_0 defaults
python 3.8.13 h6244533_0 defaults
python-dateutil 2.8.2 pyhd3eb1b0_0 defaults
python_abi 3.8 2_cp38 conda-forge
pytorch 1.8.2 py3.8_cuda11.1_cudnn8_0 pytorch-lts
请确保您的环境中包含了以上所列的依赖项，特别是PyTorch版本为1.8.2。
项目目录结构
在这里，我们将简要介绍项目的目录结构，以便您更好地理解整个项目的组织和文件布局。
项目根目录
|-- qdn_train.py # QDN算法训练脚本
|-- flappy_bird.py # Flappy Bird游戏实现
|-- model.py # QDN模型定义
|-- replay_buffer.py # 经验回放缓存实现
|-- utils.py # 辅助工具函数
|-- ...
QDN算法
QDN（Quantile Dueling Network）算法是一种强化学习算法，用于训练智能体在Flappy Bird游戏中做出决策。以下是算法的关键要点：
-
Replay Memory（记忆库）： 在每个时间步，智能体与环境交互，将经验存储在记忆库中。这些经验包括当前状态、选择的动作、获得的奖励、下一个状态以及游戏是否终止。
-
神经网络架构： 使用PyTorch实现了一个神经网络，其中包括卷积层和全连接层。神经网络的输出是每个可能动作的Q值。
-
训练过程： 在每个时间步，智能体根据当前状态选择一个动作。通过与环境交互，获得下一个状态、奖励和终止信号。这些信息被用来更新神经网络的权重，以最大化预期累积奖励。
-
Epsilon-Greedy Exploration： 在训练的早期阶段，智能体更多地依赖于探索，通过随机选择动作来发现更多可能的策略。随着训练的进行，探索率逐渐减小。
-
Target Network： 为了稳定训练，引入了一个目标网络，定期从主网络复制参数。这有助于减小训练中的波动性。
重要函数解读
preprocess(observation)
将一帧彩色图像处理成黑白的二值图像。使用OpenCV将图像调整为80x80大小，转换为灰度图，并进行二值化处理。
DeepNetWork(nn.Module)
定义了神经网络的结构，包括卷积层和全连接层。用于近似Q值函数。
BirdDQN类
主要的强化学习智能体类，包括了以下主要函数：
- save(): 保存训练好的模型参数。
- load(): 加载已保存的模型参数。
- train(): 使用小批量的记忆数据进行神经网络训练。
- setPerception(): 更新记忆库，判断是否进行训练，输出当前状态信息。
- getAction(): 根据当前状态，通过epsilon-greedy策略选择动作。
- setInitState(): 初始化状态，将一帧图像复制四次作为初始输入。
主程序部分
创建了BirdDQN智能体实例，与Flappy Bird游戏环境交互，并不断执行动作，观察状态变化，更新神经网络参数。
以上是对代码的主要算法和函数的解读。这个项目结合了深度学习和强化学习，通过训练智能体来玩Flappy Bird游戏，展示了在PyTorch平台下的实现过程。如果读者有任何疑问或需要进一步解释，请在评论中提出。祝愿你在实践中获得成功！
