吴裕雄--天生自然神经网络与深度学习实战Python+Keras+TensorFlow:Bellman函数、贪心算法与增强性学习网络开发实践
!pip install gym


import random
import numpy as np
import matplotlib.pyplot as plt
from keras.layers import Dense, Dropout, Activation
from keras.models import Sequential
from keras.optimizers import Adam
from keras import backend as K
from collections import deque
import gym #选取互动环境
env = gym.make('CartPole-v1')
state = env.reset()
#0或1表示让小车向不同方向移动
action = 0
#step(action)表示想环境发生命令
new_state, reward, done , info = env.step(action)
print((new_state, reward, done, info))

import random
import numpy as np
import matplotlib.pyplot as plt
from keras.layers import Dense, Dropout, Activation
from keras.models import Sequential
from keras.optimizers import Adam
from keras import backend as K
from collections import deque
import gym
#选取互动环境
env = gym.make('FrozenLake-v0')
state = env.reset()
env.render()

def random_actions_game(episodes):
for episode in range(episodes):
state = env.reset()
score = 0
done = False
while not done:
#随机向环境发生命令
action = random.choice([0, 1])
new_state, reward, done, info = env.step(action)
score += 1
print('Episode: {} score: {}'.format(episode + 1, score)) random_actions_game(10)

env = env.unwrapped
#环境状态点数量
print(env.observation_space.n)
#可采取的行动数量
print(env.action_space.n)
#在每个节点采取四种行动的概率
print(env.P)


print(env.P[14][1])

#初始化所有状态点为0
value_of_table = np.zeros(env.observation_space.n)
#设置循环更新最大次数
no_of_iteration = 100000
def value_iteration(env, gamma = 1.0):
#设定阈值
threshold = 1e-20 for i in range(no_of_iteration):
updated_value_of_table = np.copy(value_of_table)
#根据公式(8)循环更新每个节点值
for state in range(env.observation_space.n):
Q_value = []
#计算在给的状态点采取所有行动后可获得的最大值
for action in range(env.action_space.n):
next_states_rewards = []
for next_sr in env.P[state][action]:
trans_prob, next_state, reward, _ = next_sr
#根据公式(8)计算回报
next_states_rewards.append((trans_prob * (reward + gamma * updated_value_of_table[next_state]))) Q_value.append(np.sum(next_states_rewards)) #更新状态节点值
value_of_table[state] = max(Q_value)
#检测前后两次迭代状态点的值变化是否在阈值范围内
if np.sum(np.fabs(updated_value_of_table - value_of_table)) <= threshold:
print("interation finished : %d" % (i+1))
break return value_of_table
optimal_value_table = value_iteration(env=env, gamma = 1.0)

def extract_policy(value_table, gamma = 1.0):
policy = np.zeros(env.observation_space.n) for state in range(env.observation_space.n):
Q_table = np.zeros(env.action_space.n)
#根据当前各状态点的最优值,计算采取不同行动所得分值
for action in range(env.action_space.n):
for next_sr in env.P[state][action]:
trans_prob, next_state, reward, _ = next_sr
Q_table[action] += (trans_prob * (reward + gamma * value_table[next_state]))
#把能获得最大回报的行动当做当前状态
policy[state] = np.argmax(Q_table) return policy
optimal_policy = extract_policy(optimal_value_table, gamma = 1.0)
print(optimal_policy)

gamma = 0.95
epsilon = 1.0
epsilon_min = 0.01
epsilon_decay = 0.99 deque_len = 20000
#我们的目标是训练网络能在一个episode中获得200分
target_score = 200
episodes = 2000
batch_size = 64
optimizer = 'adam'
loss = 'mse'
#构建参与环境互动的网络
def agent(states, actions):
model = Sequential()
model.add(Dense(16, input_dim = states))
model.add(Activation('relu'))
model.add(Dense(16))
model.add(Activation('relu'))
model.add(Dense(16))
model.add(Activation('relu'))
#网络最后输出两种结果,分别对应在当前状态下采取对应行动时所得最终回报
model.add(Dense(actions))
model.add(Activation('linear'))
return model
'''
根据epsilon贪婪算法,对于给定epsilon,在[0,1]内构造一个随机数,如果随机数的值比epsilon小,那么
我们随机在两种行动中选择一种,如果比episilon大,我们让网络来决定当前状态
'''
def agent_action(model, epsilon, state, actions):
if np.random.rand() <= epsilon:
#随机在两种行动中选一种
act = random.randrange(actions)
else:
act = np.argmax(model.predict(state)[0])
return act
training_data = deque(maxlen = deque_len) def memory(state, new_state, reward, done, action):
training_data.append((state, new_state, reward, done, action))
def performance_plot(scores, target_score):
scores_arr = np.array(scores)
scores_arr[np.where(scores_arr > target_score)] = target_score
plt.figure(figsize = (20, 5))
plt.title('Plot of Score v/s Episode')
plt.xlabel('Episodes')
plt.ylabel('Scores')
plt.plot(scores_arr)
plt.show()
'''
将状态点,行动,环境反馈,下一个状态点等信息存储在队列里,输入网络,让网络识别如何在给定状态的中选择
合适的行动
'''
def replay_back(epsilon, gamma, epislon_min, epsilon_decay, model, training_data,
batch_size = 64):
idx = random.sample(range(len(training_data)), min(len(training_data), batch_size))
train_batch = [training_data[j] for j in idx]
for state, new_state, reward, done, action in train_batch:
target = reward
'''
在当前状态(state)采取给定行动(action),进入下一个状态(next_state),
如果next_state不是终止状态,那意味着在在当前状态state采取给定行动action是正确的,
于是我们根据Bellman函数迭代更新当前状态采取给定行动后的回报,然后训练网络识别状态点,行动
以及回报之间存在的关系,然后根据这种训练后的能力去识别新状态点在采取不同行动后的回报
'''
if not done:
#bellman函数迭代状态点执行给定行动后的回报
target = reward + gamma * np.amax(model.predict(new_state)[0])
target_f = model.predict(state)
#修正网络在给定状态下对给定行动后回报的预测
target_f[0][action] = target
#让网络重新识别给定状态采取给定行动后所得回报间的联系
model.fit(state, target_f, epochs = 1, verbose = 0)
if epsilon > epsilon_min:
#不断缩小epsilon的值,这样在agent_action中会更多的让网络做出决策
epsilon *= epsilon_decay
return epsilon
def train(target_score, batch_size, episodes, optimizer, loss, epsilon,
gamma, epsilon_min, epsilon_decay, actions):
print('---training---')
K.clear_session()
scores = []
model = agent(states, actions)
model.compile(loss = loss, optimizer = optimizer) for episode in range(1, episodes + 1):
state = env.reset()
#转换成1*4向量
state = state.reshape(1, states)
done = False
time_step = 0
while not done:
#使用贪婪算法获得行动类型
action = agent_action(model, epsilon, state, actions)
new_state, reward, done, info = env.step(action)
'''
如果当前行动导致的下个状态是终止状态,就如同并东湖问题中的窟窿,因此它对应的回报要对应负值
'''
reward = reward if not done else -10
new_state = new_state.reshape(1, states)
#把状态转换信息存储起来用于训练网络
memory(state, new_state, reward, done, action)
state = new_state
time_step += 1 #将当前状态转换信息去训练网络
epsilon = replay(epsilon, gamma, epsilon_min, epsilon_decay, model,
training_data)
scores.append(time_step)
if episode % 100 == 0:
print('episod {}, socre {}, epsilon{:4}'.format(episode, time_step,
epsilon))
print('Avg Score over last 100 epochs', sum(scores[-100:])/100)
if sum(scores[-100: ])/100 > target_score:
print('----Goal Achived After {} Episodes------'.format(episode))
performance_plot(scores, target_score)
break
model.save('/content/gdrive/My Drive/CartPole.h5')
return model
from google.colab import drive
drive.mount('/content/gdrive')

env = gym.make('CartPole-v1')
seed_val = 456
np.random.seed(seed_val)
env.seed(seed_val)
random.seed(seed_val)
states = env.observation_space.shape[0]
actions = env.action_space.n
training_data = deque(maxlen=deque_len)
model = train(target_score=target_score, batch_size=batch_size,
episodes=episodes, optimizer=optimizer, loss=loss,
epsilon=epsilon, gamma=gamma, epsilon_min=epsilon_min,
epsilon_decay=epsilon_decay, actions=actions)

吴裕雄--天生自然神经网络与深度学习实战Python+Keras+TensorFlow:Bellman函数、贪心算法与增强性学习网络开发实践的更多相关文章
- 吴裕雄--天生自然神经网络与深度学习实战Python+Keras+TensorFlow:使用TensorFlow和Keras开发高级自然语言处理系统——LSTM网络原理以及使用LSTM实现人机问答系统
!mkdir '/content/gdrive/My Drive/conversation' ''' 将文本句子分解成单词,并构建词库 ''' path = '/content/gdrive/My D ...
- 吴裕雄--天生自然神经网络与深度学习实战Python+Keras+TensorFlow:TensorFlow与神经网络的实现
import tensorflow as tf import numpy as np ''' 初始化运算图,它包含了上节提到的各个运算单元,它将为W,x,b,h构造运算部件,并将它们连接 起来 ''' ...
- 吴裕雄--天生自然神经网络与深度学习实战Python+Keras+TensorFlow:RNN和CNN混合的鸡尾酒疗法提升网络运行效率
from keras.layers import model = Sequential() model.add(embedding_layer) #使用一维卷积网络切割输入数据,参数5表示每各个单词作 ...
- 吴裕雄--天生自然神经网络与深度学习实战Python+Keras+TensorFlow:LSTM网络层详解及其应用
from keras.layers import LSTM model = Sequential() model.add(embedding_layer) model.add(LSTM(32)) #当 ...
- 吴裕雄--天生自然 神经网络人工智能项目:基于深度学习TENSORFLOW框架的图像分类与目标跟踪报告(续四)
2. 神经网络的搭建以及迁移学习的测试 7.项目总结 通过本次水果图片卷积池化全连接试验分类项目的实践,我对卷积.池化.全连接等相关的理论的理解更加全面和清晰了.试验主要采用python高级编程语言的 ...
- 吴裕雄--天生自然 pythonTensorFlow图形数据处理:windows操作系统删除tensorflow
输入:pip uninstall tensorflow Proceed(y/n):y
- 吴裕雄--天生自然HADOOP学习笔记:hadoop集群实现PageRank算法实验报告
实验课程名称:大数据处理技术 实验项目名称:hadoop集群实现PageRank算法 实验类型:综合性 实验日期:2018年 6 月4日-6月14日 学生姓名 吴裕雄 学号 15210120331 班 ...
- 吴裕雄--天生自然Numpy库学习笔记:NumPy Matplotlib
Matplotlib 是 Python 的绘图库. 它可与 NumPy 一起使用,提供了一种有效的 MatLab 开源替代方案. 它也可以和图形工具包一起使用,如 PyQt 和 wxPython. W ...
- 吴裕雄--天生自然HADOOP操作实验学习笔记:hbase的javaAPI应用
实验目的 进一步了解hbase的操作 熟悉使用IDEA进行java开发 熟悉hbase的javaAPI 实验原理 前面已经了解通过hbase的shell操作hbase,确实比较难以使用,另外通过hiv ...
随机推荐
- OrCAD 仿真与仿真模块库介绍
PSpice A/D9.1个别时候可能会出现异常现象,例如:某一步后,突然电路图的电源极性被自动改变了!造成直流电压和直流电流不正常,输出无波形.所以应该趁正常的时候做好备份是明智的. PSpice ...
- 最近手机价格全线暴跌真的只是因为5G要来了吗?
等等党,是一群数量颇大的消费群体.他们的消费习性是绝不买刚上市的新品,而是一直等.等到他们认为产品的价格已经跌无可跌,或者性价比十足的时候再出手.不得不说,与早买早享受的尝鲜消费群体相比,等等党代表了 ...
- ET框架之自写模块SmartTimerModule
1.代码结构图 2.SmartTimer 模块Entity: using System; namespace ETModel { [ObjectSystem] public class SmartTi ...
- [C语言学习笔记四]变量与系统的交互
使用 const 创建常量和使用 volatie 优化变量 C语言中使用 const 定义常量. 例如: const INT a = 10; 此处如果添加a = 20;,编辑器则会报错,因为此处 a ...
- 线程同步器CountDownLatch
Java程序有的时候在主线程中会创建多个线程去执行任务,然后在主线程执行完毕之前,把所有线程的任务进行汇总,以前可以用线程的join方法,但是这个方法不够灵活,我们可以使用CountDownLatch ...
- Java-POJ1012-Joseph
打表啦 约瑟夫环,处理时下表统一为从0开始更方便! import java.util.Scanner; public class poj1012 { public static boolean cal ...
- openresty + lua
lua语法总结: 1. 导入模块(用require来加载,模块是一个类型为table的全局变量) 导入写好的包,举例如下: 2. lua 数据类型(有8种:nil.boolean.number.str ...
- set,get,setter
JS对象属性中get/set与getter/setter是什么 2019-01-18 15:07:44 CHENKAI188 阅读数 686更多 分类专栏: JS修仙系列 版权声明:本文为博主原创 ...
- 并发之ATOMIC原子操作--Unsafe解析(三)
Atomic 类的原子操作是依赖java中的魔法类sun.misc.Unsafe来实现的,而这个类为我们提供了访问底层的机制,这种机制仅供java核心类库使用,而不应该被普通用户使用. 获取Unsaf ...
- 项目中的process.bpmn的读-过程
1.这次项目中遇到了process.bpmn类的封装好的类.怎么读呢?不知道,一周过去了,总算明白点. 2.首先也是从Controller开始,走进service层,比如mybatis,调用的就不是m ...