使用深度网络设计器创建代理和使用图像观察训练

打开生活的脚本

这个例子展示了如何创建一个深度q学习网络(DQN)代理，它可以摆动和平衡MATLAB®中建模的摆。在本例中，使用深层网络设计师．有关DQN代理的更多信息，请参见DQN (Deep Q-Network)代理．

摆摆摆动与图像MATLAB环境

本例中的强化学习环境是一个简单的无摩擦钟摆，最初悬挂在向下的位置。训练目标是用最小的控制力使钟摆直立而不跌倒。

对于这个环境:

向上平衡的钟摆位置为0弧度，向下悬挂的位置是π弧度。
从试剂到环境的扭矩动作信号在-2到2 N·m之间。
从环境观测得到的是摆的简化灰度图像和摆角导数。
奖励 $r_{t}$ ，在每个时间步上提供，为

$r_{t} ＝ - （ {θ_{t}}^{2} + 0 ． 1 {\dot{θ_{t}}}^{2} + 0 ． 001 u_{t - 1}^{2} ）$

在这里:

$θ_{t}$ 为从直立位置的位移角。
$\dot{θ_{t}}$ 是位移角的导数。
$u_{t - 1}$ 是来自前一个时间步骤的控制努力。

有关此模型的更多信息，请参见利用图像观察训练DDPG代理上摆和平衡摆．

创建环境接口

为钟摆创建一个预定义的环境接口。

env = rlPredefinedEnv (“SimplePendulumWithImage-Discrete”）;

接口有两个观测值。第一个观察，命名为“pendImage”，为50 × 50灰度图像。

obsInfo = getObservationInfo (env);obsInfo (1)

ans = rlNumericSpec，属性:LowerLimit: 0 UpperLimit: 1名称:"pendImage"描述:[0x0 string]维度:[50 50]数据类型:"double"

第二个观察结果被命名为“angularRate”为钟摆的角速度。

obsInfo (2)

ans = rlNumericSpec with properties: LowerLimit: -Inf UpperLimit: Inf Name: "angularRate" Description: [0x0 string] Dimension: [1 1] DataType: "double"

该界面具有一个离散的动作空间，在该空间中，代理可以向钟摆施加5个可能的扭矩值之一:-2、-1、0、1或2 N·m。

actInfo = getActionInfo (env)

actInfo = rlFiniteSetSpec属性:元素:[-2 -1 0 1 2]名称:"torque"描述:[0x0 string]尺寸:[1 1]数据类型:"double"

固定随机生成器种子的再现性。

rng (0)

利用深度网络设计器构建批评家网络

DQN代理在给定的观察和行动下，使用临界价值函数表示逼近长期奖励。对于这种环境，批评家是一个具有三个输入(两个观察和一个动作)和一个输出的深度神经网络。有关创建深度神经网络值函数表示的更多信息，请参见创建政策和价值功能．

可以通过交互式的方式构建批评家网络深层网络设计师为此，你首先为每个观察和动作创建单独的输入路径。这些路径从各自的输入中学习较低级别的特征。然后创建一个公共输出路径，该路径组合了来自输入路径的输出。

创建图像观测路径

要创建图像观察路径，首先拖动imageInputLayer从层的图书馆窗格到画布上。设置层InputSize来50岁,50岁,1对图像进行观察，并设置归一化来没有一个．

第二,拖convolution2DLayer到画布，并连接此层的输入到I的输出mageInputLayer．创建一个卷积层2过滤器(NumFilters属性)，其高度和宽度为10（FilterSize属性)，并使用一个步幅5在水平和垂直方向(步属性)。

最后，用两组完成图像路径网络reLULayer而且fullyConnectedLayer层。第一个和第二个的输出大小fullyConnectedLayer层分别为400和300。

创建所有输入路径和输出路径

以类似的方式构造其他输入路径和输出路径。对于本例，使用以下选项。

角速度路径(标量输入):

imageInputLayer——设置InputSize来1, - 1而且归一化来没有一个．
fullyConnectedLayer——设置OutputSize来400．
reLULayer
fullyConnectedLayer——设置OutputSize来300．

动作路径(标量输入):

imageInputLayer——设置InputSize来1, - 1而且归一化来没有一个．
fullyConnectedLayer——设置OutputSize来300．

输出路径:

additionLayer—将所有输入路径的输出都连接到该层的输入。
reLULayer
fullyConnectedLayer——设置OutputSize来1对于标量值函数。

从深度网络设计器导出网络

要将网络导出到MATLAB工作区，请在深层网络设计师,点击出口．深层网络设计师将网络导出为包含网络层的新变量。您可以使用这个层网络变量创建批评家表示。

或者，为网络生成等价的MATLAB代码，单击导出>生成代码．

生成的代码如下所示。

lgraph = layerGraph ();tempLayers = [imageInputLayer([1 1 1]，“名称”，“angularRate”，“归一化”，“没有”) fullyConnectedLayer (400,“名称”，“dtheta_fc1”) reluLayer (“名称”，“dtheta_relu1”) fullyConnectedLayer (300,“名称”，“dtheta_fc2”));lgraph = addLayers (lgraph tempLayers);tempLayers = [imageInputLayer([1 1 1]，“名称”，“扭矩”，“归一化”，“没有”) fullyConnectedLayer (300,“名称”，“torque_fc1”));lgraph = addLayers (lgraph tempLayers);tempLayers = [imageInputLayer([50 50 1]，“名称”，“pendImage”，“归一化”，“没有”10) convolution2dLayer ([10], 2,“名称”，“img_conv1”，“填充”，“相同”，“步”[5] 5) reluLayer (“名称”，“relu_1”) fullyConnectedLayer (400,“名称”，“critic_theta_fc1”) reluLayer (“名称”，“theta_relu1”) fullyConnectedLayer (300,“名称”，“critic_theta_fc2”));lgraph = addLayers (lgraph tempLayers);tempLayers = [additionLayer(3，“名称”，“添加”) reluLayer (“名称”，“relu_2”) fullyConnectedLayer (1,“名称”，“stateValue”));lgraph = addLayers (lgraph tempLayers);lgraph = connectLayers (lgraph,“torque_fc1”，“添加/ in3”）;lgraph = connectLayers (lgraph,“critic_theta_fc2”，“添加/三机一体”）;lgraph = connectLayers (lgraph,“dtheta_fc2”，“添加/ in2”）;

查看批评家网络配置。

图绘制(lgraph)

图中包含一个axes对象。axes对象包含一个graphplot类型的对象。

使用指定批评家表示的选项rlOptimizerOptions．

criticOpts = rlOptimizerOptions (“LearnRate”1 e 03“GradientThreshold”1);

使用指定的深度神经网络创建批评家表示lgraph和选项。您还必须为批评者指定操作和观察信息，这些信息将从环境接口获得。有关更多信息，请参见rlQValueFunction．

网= dlnetwork (lgraph);评论家= rlQValueFunction(净、obsInfo actInfo,.．.“ObservationInputNames”, (“pendImage”，“angularRate”),“ActionInputNames”，“扭矩”）;

要创建DQN代理，首先使用指定DQN代理选项rlDQNAgentOptions．

agentOpts = rlDQNAgentOptions (.．.“UseDoubleDQN”假的,.．.“CriticOptimizerOptions”criticOpts,.．.“ExperienceBufferLength”1 e6,.．.“SampleTime”, env.Ts);agentOpts.EpsilonGreedyExploration.EpsilonDecay = 1 e-5;

然后，使用指定的批评家表示和代理选项创建DQN代理。有关更多信息，请参见rlDQNAgent．

代理= rlDQNAgent(评论家,agentOpts);

火车代理

要培训代理，首先要指定培训选项。对于本例，使用以下选项。

每次训练最多5000集，每集持续最多500个时间步。
在“集训管理器”对话框中显示训练进度情节选项)并禁用命令行显示(设置详细的选项假）.
当代理获得的平均累积奖励超过默认连续5集的窗口长度-1000时停止训练。在这一点上，代理可以用最小的控制努力快速平衡摆在直立位置。

有关更多信息，请参见rlTrainingOptions．

trainOpts = rlTrainingOptions (.．.“MaxEpisodes”, 5000,.．.“MaxStepsPerEpisode”, 500,.．.“详细”假的,.．.“阴谋”，“训练进步”，.．.“StopTrainingCriteria”，“AverageReward”，.．.“StopTrainingValue”, -1000);

可以在训练或模拟过程中可视化摆系统情节函数。

情节(env)

训练代理使用火车函数。这是一个计算密集的过程，需要几个小时才能完成。要在运行此示例时节省时间，请通过设置加载预先训练过的代理doTraining来假．亲自训练探员，设doTraining来真正的．

doTraining = false;如果doTraining培训代理。trainingStats =火车(代理,env, trainOpts);其他的为示例加载经过训练的代理。负载(“MATLABPendImageDQN.mat”，“代理”）;结束

模拟DQN代理

要验证经过训练的代理的性能，请在摆环境中对其进行模拟。有关代理模拟的更多信息，请参见rlSimulationOptions而且sim卡．

simOptions = rlSimulationOptions (“MaxSteps”, 500);经验= sim (env,代理,simOptions);

totalReward =总和(experience.Reward)

totalReward = -888.9802

另请参阅

深层网络设计师|rlDQNAgent