Neural network OpenAI健身房模型'；月球着陆器不会聚

我正试图利用keras的深度强化学习来训练一名经纪人，让他学会如何打篮球。问题是我的模型没有收敛。这是我的密码：

import numpy as np
import gym

from keras.models import Sequential
from keras.layers import Dense
from keras import optimizers

def get_random_action(epsilon):
    return np.random.rand(1) < epsilon

def get_reward_prediction(q, a):
    qs_a = np.concatenate((q, table[a]), axis=0)
    x = np.zeros(shape=(1, environment_parameters + num_of_possible_actions))
    x[0] = qs_a
    guess = model.predict(x[0].reshape(1, x.shape[1]))
    r = guess[0][0]
    return r

results = []
epsilon = 0.05
alpha = 0.003
gamma = 0.3
environment_parameters = 8
num_of_possible_actions = 4
obs = 15
mem_max = 100000
epochs = 3
total_episodes = 15000

possible_actions = np.arange(0, num_of_possible_actions)
table = np.zeros((num_of_possible_actions, num_of_possible_actions))
table[np.arange(num_of_possible_actions), possible_actions] = 1

env = gym.make('LunarLander-v2')
env.reset()

i_x = np.random.random((5, environment_parameters + num_of_possible_actions))
i_y = np.random.random((5, 1))

model = Sequential()
model.add(Dense(512, activation='relu', input_dim=i_x.shape[1]))
model.add(Dense(i_y.shape[1]))

opt = optimizers.adam(lr=alpha)

model.compile(loss='mse', optimizer=opt, metrics=['accuracy'])

total_steps = 0
i_x = np.zeros(shape=(1, environment_parameters + num_of_possible_actions))
i_y = np.zeros(shape=(1, 1))

mem_x = np.zeros(shape=(1, environment_parameters + num_of_possible_actions))
mem_y = np.zeros(shape=(1, 1))
max_steps = 40000

for episode in range(total_episodes):
    g_x = np.zeros(shape=(1, environment_parameters + num_of_possible_actions))
    g_y = np.zeros(shape=(1, 1))
    q_t = env.reset()
    episode_reward = 0

    for step_number in range(max_steps):
        if episode < obs:
            a = env.action_space.sample()
        else:
            if get_random_action(epsilon, total_episodes, episode):
                a = env.action_space.sample()
            else:
                actions = np.zeros(shape=num_of_possible_actions)

                for i in range(4):
                    actions[i] = get_reward_prediction(q_t, i)

                a = np.argmax(actions)

        # env.render()
        qa = np.concatenate((q_t, table[a]), axis=0)

        s, r, episode_complete, data = env.step(a)
        episode_reward += r

        if step_number is 0:
            g_x[0] = qa
            g_y[0] = np.array([r])
            mem_x[0] = qa
            mem_y[0] = np.array([r])

        g_x = np.vstack((g_x, qa))
        g_y = np.vstack((g_y, np.array([r])))

        if episode_complete:
            for i in range(0, g_y.shape[0]):
                if i is 0:
                    g_y[(g_y.shape[0] - 1) - i][0] = g_y[(g_y.shape[0] - 1) - i][0]
                else:
                    g_y[(g_y.shape[0] - 1) - i][0] = g_y[(g_y.shape[0] - 1) - i][0] + gamma * g_y[(g_y.shape[0] - 1) - i + 1][0]

            if mem_x.shape[0] is 1:
                mem_x = g_x
                mem_y = g_y
            else:
                mem_x = np.concatenate((mem_x, g_x), axis=0)
                mem_y = np.concatenate((mem_y, g_y), axis=0)

            if np.alen(mem_x) >= mem_max:
                for l in range(np.alen(g_x)):
                    mem_x = np.delete(mem_x, 0, axis=0)
                    mem_y = np.delete(mem_y, 0, axis=0)

        q_t = s

        if episode_complete and episode >= obs:
            if episode%10 == 0:
                model.fit(mem_x, mem_y, batch_size=32, epochs=epochs, verbose=0)

        if episode_complete:
            results.append(episode_reward)
            break

将numpy导入为np
进口健身房
从keras.models导入顺序
从keras.layers导入稠密
来自keras导入优化器
def get_random_动作（ε）：
返回np.rand.rand（1）=mem_max：
对于范围内的l（np.alen（g_x））：
mem_x=np.delete（mem_x，0，axis=0）
mem_y=np.delete（mem_y，0，axis=0）
q_t=s
如果事件完成且事件>=obs：
如果事件%10==0：
model.fit（mem_x，mem_y，batch_size=32，epochs=epochs，verbose=0）
如果事件完成：
结果。追加（插曲奖励）
打破

---

我正在运行数万集，我的模型仍然无法收敛。它将开始减少超过5000集的平均政策变化，同时增加平均报酬，但随后它将脱离深层次，每集的平均报酬实际上在这之后下降。我试过搞乱超参数，但还没有成功。我正在尝试根据。

对代码进行建模。您可能希望更改

get\u random\u action

函数，使其随每一集衰减ε。毕竟，假设你的代理可以学习到一个最优策略，在某个时候你根本不想采取随机行动，对吧？下面是一个稍微不同的版本的

get_random_action

，它可以为您实现这一点：

def get_random_action(epsilon, total_episodes, episode):
        explore_prob = epsilon - (epsilon * (episode / total_episodes))
        return np.random.rand(1) < explore_prob

def get_random_动作（epsilon、总集、集）：
探索概率=ε-（ε*（集/总集））
返回np.random.rand（1）

在这个函数的修改版本中，epsilon将随着每一集的出现而略微减少。这可能有助于您的模型收敛

---

有几种方法可以衰减参数。有关更多信息，请查看。

我最近成功地实现了此功能

基本上，我让代理随机运行3000帧，同时收集这些作为初始训练数据（状态）和标签（奖励），然后，我每100帧训练一次神经网络模型，让模型决定什么样的操作会得到最佳分数

---

查看我的github，它可能会有所帮助。哦，我的训练迭代也在YouTube上，



嗯。。。我会试试这个，然后再打给你希望这有帮助！