ML-For-Beginners

History

leestott 3773c80b49 🌐 Update translations via Co-op Translator		2 weeks ago
..
solution	🌐 Update translations via Co-op Translator	3 weeks ago
README.md	🌐 Update translations via Co-op Translator	2 weeks ago
assignment.md	🌐 Update translations via Co-op Translator	3 weeks ago
notebook.ipynb	🌐 Update translations via Co-op Translator	3 weeks ago

README.md

Unescape Escape

前置條件

在本課中，我們將使用名為 OpenAI Gym 的庫來模擬不同的環境。你可以在本地運行本課的代碼（例如使用 Visual Studio Code），此時模擬將在新窗口中打開。如果在線運行代碼，可能需要對代碼進行一些調整，具體請參考這裡。

OpenAI Gym

在上一課中，遊戲的規則和狀態是由我們自己定義的 Board 類提供的。在這裡，我們將使用一個特殊的 模擬環境，它將模擬平衡杆的物理行為。最受歡迎的用於訓練強化學習算法的模擬環境之一叫做 Gym，由 OpenAI 維護。通過使用這個 Gym，我們可以創建不同的環境，從平衡杆模擬到 Atari 遊戲。

注意：你可以在這裡查看 OpenAI Gym 提供的其他環境。

首先，讓我們安裝 Gym 並導入所需的庫（代碼塊 1）：

import sys
!{sys.executable} -m pip install gym 

import gym
import matplotlib.pyplot as plt
import numpy as np
import random

練習 - 初始化平衡杆環境

要處理平衡杆問題，我們需要初始化相應的環境。每個環境都與以下內容相關聯：

觀察空間：定義我們從環境中接收到的信息結構。對於平衡杆問題，我們接收到杆的位置、速度以及其他一些值。
動作空間：定義可能的動作。在我們的例子中，動作空間是離散的，由兩個動作組成——左和右。（代碼塊 2）

要初始化，輸入以下代碼：

env = gym.make("CartPole-v1")
print(env.action_space)
print(env.observation_space)
print(env.action_space.sample())

要了解環境如何運作，讓我們運行一個短模擬，持續 100 步。在每一步中，我們提供一個動作——在此模擬中，我們只是隨機選擇 action_space 中的一個動作。

運行以下代碼並查看結果。

✅ 請記住，最好在本地 Python 安裝中運行此代碼！（代碼塊 3）
```
env.reset()

for i in range(100):
   env.render()
   env.step(env.action_space.sample())
env.close()
```
你應該會看到類似於以下圖片的效果：

在模擬過程中，我們需要獲取觀察值以決定如何行動。事實上，step 函數返回當前的觀察值、獎勵函數以及一個 done 標誌，指示是否應繼續模擬：（代碼塊 4）

env.reset()

done = False
while not done:
   env.render()
   obs, rew, done, info = env.step(env.action_space.sample())
   print(f"{obs} -> {rew}")
env.close()

你會在筆記本輸出中看到類似以下的結果：

[ 0.03403272 -0.24301182  0.02669811  0.2895829 ] -> 1.0
[ 0.02917248 -0.04828055  0.03248977  0.00543839] -> 1.0
[ 0.02820687  0.14636075  0.03259854 -0.27681916] -> 1.0
[ 0.03113408  0.34100283  0.02706215 -0.55904489] -> 1.0
[ 0.03795414  0.53573468  0.01588125 -0.84308041] -> 1.0
...
[ 0.17299878  0.15868546 -0.20754175 -0.55975453] -> 1.0
[ 0.17617249  0.35602306 -0.21873684 -0.90998894] -> 1.0

在模擬的每一步中返回的觀察向量包含以下值：

小車的位置
小車的速度
杆的角度
杆的旋轉速率

獲取這些數值的最小值和最大值：（代碼塊 5）
```
print(env.observation_space.low)
print(env.observation_space.high)
```
你可能還會注意到，在每次模擬步驟中，獎勵值始終為 1。這是因為我們的目標是盡可能長時間保持杆在合理的垂直位置。

✅ 事實上，如果我們能在 100 次連續試驗中平均獲得 195 的獎勵值，則平衡杆模擬被認為已解決。

狀態離散化

在 Q-Learning 中，我們需要構建 Q-表，定義在每個狀態下應採取的行動。為了做到這一點，我們需要狀態是 離散的，更準確地說，它應包含有限數量的離散值。因此，我們需要以某種方式 離散化 我們的觀察值，將它們映射到有限的狀態集合。

有幾種方法可以做到這一點：

分割成區間：如果我們知道某個值的範圍，我們可以將該範圍分割成若干區間，然後用該值所屬的區間編號替代原值。這可以使用 numpy 的 digitize 方法來完成。在這種情況下，我們將精確知道狀態的大小，因為它將取決於我們為離散化選擇的區間數量。

✅ 我們可以使用線性插值將值映射到某個有限範圍（例如，從 -20 到 20），然後通過四捨五入將數字轉換為整數。這種方法對狀態大小的控制稍弱，特別是當我們不知道輸入值的確切範圍時。例如，在我們的例子中，4 個值中的 2 個沒有上下界，這可能導致無限的狀態數量。

在我們的例子中，我們將採用第二種方法。正如你稍後可能注意到的，儘管某些值沒有明確的上下界，但它們很少超出某些有限範圍，因此具有極端值的狀態將非常罕見。

以下是將模型的觀察值轉換為 4 個整數值元組的函數：（代碼塊 6）

def discretize(x):
    return tuple((x/np.array([0.25, 0.25, 0.01, 0.1])).astype(np.int))

我們還可以探索另一種使用區間的離散化方法：（代碼塊 7）

def create_bins(i,num):
    return np.arange(num+1)*(i[1]-i[0])/num+i[0]

print("Sample bins for interval (-5,5) with 10 bins\n",create_bins((-5,5),10))

ints = [(-5,5),(-2,2),(-0.5,0.5),(-2,2)] # intervals of values for each parameter
nbins = [20,20,10,10] # number of bins for each parameter
bins = [create_bins(ints[i],nbins[i]) for i in range(4)]

def discretize_bins(x):
    return tuple(np.digitize(x[i],bins[i]) for i in range(4))

現在讓我們運行一個短模擬並觀察這些離散化的環境值。可以嘗試使用 discretize 和 discretize_bins，看看是否有差異。

✅ discretize_bins 返回的是區間編號，從 0 開始。因此，對於接近 0 的輸入值，它返回的是區間中間的編號（10）。在 discretize 中，我們並未關注輸出值的範圍，允許它們為負，因此狀態值未偏移，0 對應於 0。（代碼塊 8）
```
env.reset()

done = False
while not done:
   #env.render()
   obs, rew, done, info = env.step(env.action_space.sample())
   #print(discretize_bins(obs))
   print(discretize(obs))
env.close()
```
✅ 如果你想查看環境的執行效果，可以取消註釋以 env.render 開頭的行。否則，你可以在後台執行，這樣速度更快。在我們的 Q-Learning 過程中，我們將使用這種“隱形”執行。

Q-表結構

在上一課中，狀態是一個簡單的數字對，範圍從 0 到 8，因此用形狀為 8x8x2 的 numpy 張量表示 Q-表非常方便。如果我們使用區間離散化，狀態向量的大小也是已知的，因此我們可以使用相同的方法，將狀態表示為形狀為 20x20x10x10x2 的數組（其中 2 是動作空間的維度，前幾個維度對應於我們為觀察空間中每個參數選擇的區間數量）。

然而，有時觀察空間的精確維度是未知的。在使用 discretize 函數的情況下，我們可能無法確定狀態是否保持在某些限制範圍內，因為某些原始值是無界的。因此，我們將使用稍微不同的方法，通過字典來表示 Q-表。

使用 (state, action) 作為字典鍵，值則對應於 Q-表的條目值。（代碼塊 9）
```
Q = {}
actions = (0,1)

def qvalues(state):
    return [Q.get((state,a),0) for a in actions]
```
在這裡，我們還定義了一個函數 qvalues()，它返回給定狀態對應於所有可能動作的 Q-表值列表。如果 Q-表中沒有該條目，我們將返回默認值 0。

開始 Q-Learning

現在我們準備教 Peter 如何保持平衡了！

首先，設置一些超參數：（代碼塊 10）
```
# hyperparameters
alpha = 0.3
gamma = 0.9
epsilon = 0.90
```
其中，alpha 是 學習率，定義了我們在每一步中應調整 Q-表當前值的程度。在上一課中，我們從 1 開始，然後在訓練過程中將 alpha 降低到較低的值。在本例中，為了簡化，我們將保持其不變，你可以稍後嘗試調整 alpha 值。

gamma 是 折扣因子，顯示了我們應優先考慮未來獎勵而非當前獎勵的程度。

epsilon 是 探索/利用因子，決定了我們應偏向探索還是利用。在我們的算法中，我們將在 epsilon 百分比的情況下根據 Q-表值選擇下一個動作，而在剩餘情況下執行隨機動作。這將允許我們探索以前未見過的搜索空間區域。

✅ 就平衡而言，選擇隨機動作（探索）就像是隨機地向錯誤方向推了一下，杆需要學會如何從這些“錯誤”中恢復平衡。

改進算法

我們還可以對上一課的算法進行兩項改進：

計算平均累積獎勵：在多次模擬中計算平均累積獎勵。我們將每 5000 次迭代打印一次進度，並將累積獎勵平均分配到這段時間內。這意味著如果我們獲得超過 195 分，我們可以認為問題已解決，並且質量甚至高於要求。
計算最大平均累積結果：Qmax，並存儲對應於該結果的 Q-表值。當你運行訓練時，你會注意到有時平均累積結果開始下降，我們希望保留訓練過程中觀察到的最佳模型所對應的 Q-表值。

在每次模擬中收集所有累積獎勵到 rewards 向量中，以便進一步繪圖。（代碼塊 11）

def probs(v,eps=1e-4):
    v = v-v.min()+eps
    v = v/v.sum()
    return v

Qmax = 0
cum_rewards = []
rewards = []
for epoch in range(100000):
    obs = env.reset()
    done = False
    cum_reward=0
    # == do the simulation ==
    while not done:
        s = discretize(obs)
        if random.random()<epsilon:
            # exploitation - chose the action according to Q-Table probabilities
            v = probs(np.array(qvalues(s)))
            a = random.choices(actions,weights=v)[0]
        else:
            # exploration - randomly chose the action
            a = np.random.randint(env.action_space.n)

        obs, rew, done, info = env.step(a)
        cum_reward+=rew
        ns = discretize(obs)
        Q[(s,a)] = (1 - alpha) * Q.get((s,a),0) + alpha * (rew + gamma * max(qvalues(ns)))
    cum_rewards.append(cum_reward)
    rewards.append(cum_reward)
    # == Periodically print results and calculate average reward ==
    if epoch%5000==0:
        print(f"{epoch}: {np.average(cum_rewards)}, alpha={alpha}, epsilon={epsilon}")
        if np.average(cum_rewards) > Qmax:
            Qmax = np.average(cum_rewards)
            Qbest = Q
        cum_rewards=[]

你可能會注意到以下結果：

接近目標：我們非常接近實現目標，即在 100 次以上的連續模擬中獲得 195 的累積獎勵，或者我們可能已經達到了目標！即使我們獲得較小的數值，我們仍然不知道，因為我們平均了 5000 次運行，而正式標準只需要 100 次運行。
獎勵開始下降：有時獎勵開始下降，這意味著我們可能用更糟糕的值覆蓋了 Q-表中已學到的值。

這一觀察在繪製訓練進度時更為明顯。

繪製訓練進度

在訓練過程中，我們將每次迭代的累積獎勵值收集到 rewards 向量中。以下是將其與迭代次數繪製的結果：

plt.plot(rewards)

從這個圖表中，我們無法得出任何結論，因為由於隨機訓練過程的特性，訓練會話的長度差異很大。為了讓這個圖表更有意義，我們可以計算一系列實驗的 移動平均值，例如 100。這可以方便地使用 np.convolve 完成：（代碼塊 12）

def running_average(x,window):
    return np.convolve(x,np.ones(window)/window,mode='valid')

plt.plot(running_average(rewards,100))

調整超參數

為了使學習更加穩定，我們可以在訓練過程中調整一些超參數。特別是：

對學習率 alpha：我們可以從接近 1 的值開始，然後逐漸降低該參數。隨著時間的推移，我們將在 Q-表中獲得良好的概率值，因此我們應該稍微調整它們，而不是完全用新值覆蓋。
增加 epsilon：我們可能希望慢慢增加 epsilon，以便減少探索並增加利用。可能更合理的是從較低的 epsilon 值開始，然後逐漸增加到接近 1。

任務 1：嘗試調整超參數的值，看看能否獲得更高的累積回報。你能達到超過 195 嗎？ 任務 2：為了正式解決這個問題，你需要在連續 100 次運行中獲得平均 195 的回報。在訓練過程中測量這一點，並確保你已經正式解決了這個問題！

查看結果的實際效果

觀察訓練後的模型行為會很有趣。我們來運行模擬，並按照訓練時相同的行動選擇策略進行操作，根據 Q-Table 中的概率分佈進行採樣：（代碼塊 13）

obs = env.reset()
done = False
while not done:
   s = discretize(obs)
   env.render()
   v = probs(np.array(qvalues(s)))
   a = random.choices(actions,weights=v)[0]
   obs,_,done,_ = env.step(a)
env.close()

你應該會看到類似這樣的畫面：

🚀挑戰

任務 3：在這裡，我們使用的是 Q-Table 的最終版本，但這可能不是表現最好的版本。記得我們已經將表現最好的 Q-Table 存儲在 Qbest 變數中！嘗試將 Qbest 複製到 Q 中，並使用最佳表現的 Q-Table 來運行相同的例子，看看是否能發現差異。

任務 4：在這裡，我們並不是每一步都選擇最佳行動，而是根據相應的概率分佈進行採樣。是否更合理每次都選擇 Q-Table 值最高的最佳行動？這可以通過使用 np.argmax 函數來找到對應於最高 Q-Table 值的行動編號。實現這種策略，看看是否能改善平衡效果。

課後測驗

作業

訓練一輛山地車

總結

我們現在已經學會如何通過提供定義遊戲期望狀態的回報函數，並讓代理智能地探索搜索空間，來訓練代理以獲得良好的結果。我們成功地將 Q-Learning 演算法應用於離散和連續環境中的情況，但行動是離散的。

同樣重要的是研究行動狀態也是連續的情況，以及觀察空間更加複雜的情況，例如來自 Atari 遊戲畫面的圖像。在這些問題中，我們通常需要使用更強大的機器學習技術，例如神經網絡，來獲得良好的結果。這些更高階的主題將是我們即將推出的進階 AI 課程的內容。

免責聲明：
此文件已使用人工智能翻譯服務 Co-op Translator 翻譯。我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。應以原始語言的文件作為權威來源。對於關鍵資訊，建議使用專業的人類翻譯。我們對因使用此翻譯而引起的任何誤解或錯誤解讀概不負責。

README.md Unescape Escape