强化学习 (RL) 是机器学习生态系统的一部分，其中代理通过与环境交互来学习，以获得实现目标的最佳策略。它与监督式机器学习算法完全不同，在监督式机器学习算法中，我们需要提取和处理这些数据。强化学习不需要数据。相反，它从环境和奖励系统中学习以做出更好的决策。

        例如，在马里奥视频游戏中，如果角色采取随机动作（例如向左移动），则根据该动作，它可能会获得奖励。采取行动后，代理（马里奥）处于新状态，该过程重复进行，直到游戏角色到达关卡终点或死亡。 

        此情节将重复多次，直到马里奥学会通过最大化奖励来驾驭环境。 

        我们可以将强化学习分为五个简单的步骤：

1. 代理在环境中处于状态零。
2. 它将根据特定的策略采取行动。
3. 它将根据该行动获得奖励或惩罚。
4. 通过学习先前的动作并优化策略。 
5. 该过程将重复，直到找到最佳策略。       

 

三、什么是 Q-Learning？

Q 学习是一种无模型、基于价值的离策略算法，它将根据代理的当前状态找到最佳的一系列操作。“Q”代表质量。质量表示该操作在最大化未来奖励方面有多大价值。  

基于模型的算法使用转换和奖励函数来估计最优策略并创建模型。相比之下，无模型算法则通过没有转换和奖励函数的经验来学习其行为的后果。 

基于价值的方法训练价值函数，以了解哪种状态更有价值并采取行动。另一方面，基于策略的方法直接训练策略，以了解在给定状态下应采取哪种行动。

在离策略中，算法评估并更新与采取行动所用策略不同的策略。相反，在策略算法评估并改进采取行动所用相同策略。  

Q 学习中的关键术语

在我们了解 Q-learning 的工作原理之前，我们需要学习一些有用的术语来理解 Q-learning 的基础知识。 

• 状态：代理在环境中的当前位置。 
• 动作（a）：代理在特定状态下采取的步骤。 
• 奖励：对于每一个动作，代理都会得到奖励和惩罚。 
• 情节：阶段的结束，此时代理无法采取新的行动。当代理已实现目标或失败时，就会发生这种情况。 
• Q(S t+1 , a)：在特定状态下执行操作的预期最佳 Q 值。 
• Q(S t , A t )：是 Q(S t+1 , a) 的当前估计。
• Q-Table：代理维护状态和动作集的 Q 表。
• 时间差分（TD） ：利用当前状态和动作以及之前的状态和动作 来估计Q(S t+1 , a)的预期值。

四、Q-Learning 如何工作？

        我们将以结冰的湖泊为例，详细了解 Q 学习的工作原理。在这个环境中，代理必须从起点穿过结冰的湖泊到达目标，而不能掉进洞里。最好的策略是走最短的路径到达目标。 

4.1 Q-表

        代理将使用 Q 表根据环境中每个状态的预期奖励采取最佳行动。简而言之，Q 表是一组动作和状态的数据结构，我们使用 Q 学习算法来更新表中的值。 

4.2 Q 函数

        Q 函数使用贝尔曼方程，以状态（s）和动作（a）作为输入。该方程简化了状态值和状态动作值的计算。 

五、Q 学习算法

5.1 初始化 Q 表

        我们首先初始化 Q 表。我们将根据动作数量构建列，根据状态数量构建行。

        在我们的示例中，角色可以上下左右移动。我们有四种可能的动作和四种状态（开始、空闲、错误路径和结束）。您还可以考虑掉入洞中的错误路径。我们将使用 0 值初始化 Q-Table。 

5.2 选择一个动作

        第二步很简单。一开始，代理会选择采取随机动作（向下或向右），第二次运行时，它将使用更新的 Q 表来选择动作。 

5.3 执行操作

        选择一个动作并执行该动作将重复多次，直到训练循环停止。使用 Q 表选择第一个动作和状态。在我们的例子中，Q 表的所有值都是零。 

        然后，代理将向下移动并使用贝尔曼方程更新 Q 表。每次移动时，我们都会更新 Q 表中的值，并使用它来确定最佳行动方案。 

        最初，代理处于探索模式，并选择随机动作来探索环境。Epsilon 贪婪策略是一种平衡探索和利用的简单方法。epsilon 代表在探索机会较小的情况下选择探索和利用的概率。 

        开始时，epsilon 率较高，这意味着代理处于探索模式。在探索环境时，epsilon 会降低，代理会开始利用环境。在探索过程中，随着每次迭代，代理对估计 Q 值的信心会越来越强

        在冰冻湖泊示例中，代理不知道环境，因此需要采取随机动作（向下移动）才能启动。如上图所示，Q 表使用贝尔曼方程进行更新。

5.4 衡量回报

        采取行动后，我们将衡量结果和回报。 

• 达成目标的奖励为+1
• 走错路（掉进洞里）的奖励是0
• 在冰冻湖上空闲或移动的奖励也是 0。 

5.5 更新 Q 表

        我们将使用方程更新函数 Q(S t , A t )。它使用前一集的估计 Q 值、学习率和时间差异误差。时间差异误差是使用即时奖励、折扣后的最大预期未来奖励和前一个估计 Q 值计算的。 

该过程重复多次，直到 Q 表更新并且 Q 值函数最大化。 

        一开始，代理会探索环境以更新 Q 表。当 Q 表准备就绪时，代理将开始利用并开始做出更好的决策。 

        在湖面结冰的情况下，代理将学习采取最短路径到达目标并避免跳入洞中。

六、Q-Learning Python 教程 

        我们将使用 Gym 环境、Pygame 和 Numpy 从头开始​​构建 Q 学习模型。Python 教程是Thomas Simonini 的Notebook的修改版本。它包括初始化环境和 Q 表、定义贪婪策略、设置超参数、创建和运行训练循环和评估以及可视化结果。   

        如果您在创建和运行训练循环时遇到问题，您可以使用输出   检查代码源。

6.1 配置

设置虚拟显示

我们首先安装所有依赖项以生成回放视频（Gif）。我们需要一个虚拟屏幕（pyvirtualdisplay）来渲染环境并记录帧。 

注意：通过使用“%%capture”，我们抑制了 Jupyter 单元的输出。 

%%capture
!pip install pyglet==1.5.1
!apt install python-opengl
!apt install ffmpeg
!apt install xvfb
!pip3 install pyvirtualdisplay# Virtual display
from pyvirtualdisplay import Displayvirtual_display = Display(visible=0, size=(1400, 900))
virtual_display.start()

我们现在将安装依赖项来帮助我们创建、运行和评估训练循环。 

• gym：用于初始化FrozenLake-v1环境。
• pygame：用于FrozenLake-v1 UI。
• numPy：用于创建和处理 Q 表。

%%capture
!pip install gym==0.24
!pip install pygame
!pip install numpy!pip install imageio imageio_ffmpeg

我们现在将导入所需的库。 

• Imageio 用于创建动画。 
• tqdm 用于进度条。 

import numpy as np
import gym
import random
import imageio
from tqdm.notebook import trange

我们将使用冰冻湖健身库创建一个防滑的 4x4 环境。 

• 有两个网格版本：“4x4”和“8x8”。
• 如果“is_slippery=True”，则由于冰冻湖的滑溜性质，代理可能不会朝预定的方向移动。 

初始化环境之后，我们来进行环境分析。 

env = gym.make("FrozenLake-v1",map_name="4x4",is_slippery=False)print("Observation Space", env.observation_space)
print("Sample observation", env.observation_space.sample()) # display a random observation

Observation Space Discrete(16)
Sample observation 15

行动空间：

• 0：向左移动
• 1：向下移动
• 2：向右移动
• 3：向上移动

奖励函数：

• 达成目标：+1
• 掉坑：0
• 停留在冰冻湖面：0

print("Action Space Shape", env.action_space.n) 
print("Action Space Sample", env.action_space.sample())

6.2 创建并初始化Q表

Q 表的列表示动作，行表示状态。我们可以使用 OpenAI Gym 来查找动作空间和状态空间。然后我们将使用此信息来创建 Q 表。 

state_space = env.observation_space.n
print("There are ", state_space, " possible states")
action_space = env.action_space.n
print("There are ", action_space, " possible actions")

为了初始化 Q 表，我们将创建一个包含 state_space 和 action 空间的 Numpy 数组。我们将创建一个 16 X 4 数组。 

def initialize_q_table(state_space, action_space):Qtable = np.zeros((state_space, action_space))return Qtable 
Qtable_frozenlake = initialize_q_table(state_space, action_space)

6.3 贪婪策略

在上一节中，我们了解了处理探索和利用权衡的 epsilon 贪婪策略。以 1 - ε 的概率，我们进行利用；以 ε 的概率，我们进行探索。 

在 epsilon_greedy_policy 中我们将：

1. 生成0到1之间的随机数。
2. 如果随机数大于 epsilon，我们将进行利用。这意味着代理将在给定状态下采取具有最高值的操作。
3. 否则，我们将进行探索（采取随机行动）。 

def epsilon_greedy_policy(Qtable, state, epsilon):random_int = random.uniform(0,1)if random_int > epsilon:action = np.argmax(Qtable[state])else:action = env.action_space.sample()return action

我们现在知道 Q 学习是一种离策略算法，这意味着采取行动和更新函数的策略是不同的。 

在这个例子中，Epsilon Greedy 策略是代理策略，而 Greedy 策略是更新策略。 

贪婪策略也将是训练代理时的最终策略。它用于从 Q 表中选择最高的状态和动作值。

def greedy_policy(Qtable, state):action = np.argmax(Qtable[state])return action

这些超参数用于训练循环，对其进行微调将会给你带来更好的结果。 

代理需要探索足够的状态空间才能学习良好的值近似值；我们需要逐步衰减 epsilon。如果衰减率很高，代理可能会卡住，因为它没有探索足够的状态空间。

• 共有 10,000 个训练片段和 100 个评估片段。
• 学习率为0.7。
• 我们使用“FrozenLake-v1”作为环境，每集最多有 99 步。
• 伽马（折扣率）为 0.95。
• eval_seed：环境的评估种子。
• 开始时探索的epsilon 概率为 1.0，最小概率为 0.05。
• 埃普西隆概率的指数衰减率为0.0005。

# Training parameters
n_training_episodes = 10000
learning_rate = 0.7        # Evaluation parameters
n_eval_episodes = 100      # Environment parameters
env_id = "FrozenLake-v1"   
max_steps = 99             
gamma = 0.95               
eval_seed = []             # Exploration parameters
max_epsilon = 1.0           
min_epsilon = 0.05           
decay_rate = 0.0005           

6.4 模型训练 

在训练循环中，我们将：

1. 为训练片段创建一个循环。
2. 我们首先要减少 epsilon。因为在每一集中，我们需要的探索越来越少，而利用越来越多。 
3. 重置环境。
4. 创建一个嵌套循环以获取最大步数。
5. 使用 epsilon 贪婪策略选择动作。 
6. 采取行动（A t）并观察预期奖励（R t+1）和状态（S t+1）。
7. 采取行动（a）并观察结果状态（s'）和奖励（r）。
8. 使用公式更新 Q 函数。 
9. 如果“done = True”，则完成情节并打破循环。
10. 最后，将当前状态更改为新状态。 
11. 完成所有训练阶段后，该函数将返回更新的 Q 表。 

def train(n_training_episodes, min_epsilon, max_epsilon, decay_rate, env, max_steps, Qtable):for episode in trange(n_training_episodes):epsilon = min_epsilon + (max_epsilon - min_epsilon)*np.exp(-decay_rate*episode)# Reset the environmentstate = env.reset()step = 0done = False# repeatfor step in range(max_steps):action = epsilon_greedy_policy(Qtable, state, epsilon)new_state, reward, done, info = env.step(action)Qtable[state][action] = Qtable[state][action] + learning_rate * (reward + gamma * np.max(Qtable[new_state]) - Qtable[state][action])# If done, finish the episodeif done:break# Our state is the new statestate = new_statereturn Qtable

我们花了3秒完成10,000次训练。 

Qtable_frozenlake = train(n_training_episodes, min_epsilon, max_epsilon, decay_rate, env, max_steps, Qtable_frozenlake)

我们可以看到，训练过的 Q 表具有值，代理现在将使用这些值来导航环境并实现目标。  

Qtable_frozenlake

array([[0.73509189, 0.77378094, 0.77378094, 0.73509189],[0.73509189, 0.        , 0.81450625, 0.77378094],[0.77378094, 0.857375  , 0.77378094, 0.81450625],[0.81450625, 0.        , 0.77378094, 0.77378094],[0.77378094, 0.81450625, 0.        , 0.73509189],[0.        , 0.        , 0.        , 0.        ],[0.        , 0.9025    , 0.        , 0.81450625],[0.        , 0.        , 0.        , 0.        ],[0.81450625, 0.        , 0.857375  , 0.77378094],[0.81450625, 0.9025    , 0.9025    , 0.        ],[0.857375  , 0.95      , 0.        , 0.857375  ],[0.        , 0.        , 0.        , 0.        ],[0.        , 0.        , 0.        , 0.        ],[0.        , 0.9025    , 0.95      , 0.857375  ],[0.9025    , 0.95      , 1.        , 0.9025    ],[0.        , 0.        , 0.        , 0.        ]])

Evaluation_agent 运行“n_eval_episodes”事件并返回奖励的平均值和标准差。 

1. 在循环中，我们首先检查是否存在评估种子。如果没有，那么我们将重置没有种子的环境。 
2. 嵌套循环将运行至max_steps。
3. 代理将使用 Q-Table 采取在给定状态下具有最大预期未来奖励的行动。 
4. 计算獎勵。
5. 改变状态。
6. 如果完成（代理掉入洞中或者目标已实现），则打破循环。
7. 附加结果。
8. 最后，我们将使用这些结果来计算平均值和标准差。 

def evaluate_agent(env, max_steps, n_eval_episodes, Q, seed):episode_rewards = []for episode in range(n_eval_episodes):if seed:state = env.reset(seed=seed[episode])else:state = env.reset()step = 0done = Falsetotal_rewards_ep = 0for step in range(max_steps):# Take the action (index) that have the maximum rewardaction = np.argmax(Q[state][:])new_state, reward, done, info = env.step(action)total_rewards_ep += rewardif done:breakstate = new_stateepisode_rewards.append(total_rewards_ep)mean_reward = np.mean(episode_rewards)std_reward = np.std(episode_rewards)return mean_reward, std_reward

如你所见，我们获得了满分，标准差为零。这意味着我们的代理在所有 100 集中都达到了目标。 

# Evaluate our Agent
mean_reward, std_reward = evaluate_agent(env, max_steps, n_eval_episodes, Qtable_frozenlake, eval_seed)
print(f"Mean_reward={mean_reward:.2f} +/- {std_reward:.2f}")

6.5 可视化结果

到目前为止，我们一直在玩数字，为了进行演示，我们需要创建一个代理从一开始直到达到目标的动画 Gif。 

1. 我们将首先通过使用 0-500 的随机整数重置环境来创建状态。 
2. 使用 rdb_array 创建图像数组来渲染环境。 
3. 然后将“img”附加到“images”数组。 
4. 在循环中，我们将使用 Q-Table 采取步骤并为每个步骤渲染图像。 
5. 最后，我们将使用这个数组和 imageio 来创建每秒一帧的 Gif。 

def record_video(env, Qtable, out_directory, fps=1):images = [] done = Falsestate = env.reset(seed=random.randint(0,500))img = env.render(mode='rgb_array')images.append(img)while not done:# Take the action (index) that have the maximum expected future reward given that stateaction = np.argmax(Qtable[state][:])state, reward, done, info = env.step(action) # We directly put next_state = state for recording logicimg = env.render(mode='rgb_array')images.append(img)imageio.mimsave(out_directory, [np.array(img) for i, img in enumerate(images)], fps=fps)

video_path="/content/replay.gif"
video_fps=1
record_video(env, Qtable_frozenlake, video_path, video_fps)from IPython.display import Image
Image('./replay.gif')