使用PyTorch實現(xiàn)隨機搜索策略

更新時間：2022年07月17日 09:08:18 作者：??盼小輝丶???

這篇文章主要介紹了使用PyTorch實現(xiàn)隨機搜索策略，文章圍繞主題展開詳細的內(nèi)容介紹，具有一定的參考價值，需要的小伙伴可以參考一下

1. 隨機搜索策略

在本節(jié)中，我們將學習一種比隨機選擇動作更復雜的策略來解決 CartPole 問題——隨機搜索策略。

一種簡單但有效的方法是將智能體對環(huán)境的觀測值映射到代表兩個動作的二維向量，然后我們選擇值較高的動作執(zhí)行。映射函數(shù)使用權重矩陣描述，權重矩陣的形狀為 4 x 2，因為在CarPole環(huán)境中狀態(tài)是一個 4 維向量，而動作有 2 個可能值。在每個回合中，首先隨機生成權重矩陣，并用于計算此回合中每個步驟的動作，并在回合結束時計算總獎勵。重復此過程，最后將能夠得到最高總獎勵的權重矩陣作為最終的動作選擇策略。由于在每個回合中我們均會隨機選擇權重矩陣，因此稱這種方法為隨機搜索，期望通過在多個回合的測試中找到最佳權重。

2. 使用 PyTorch 實現(xiàn)隨機搜索算法

在本節(jié)中，我們使用 PyTorch 實現(xiàn)隨機搜索算法。

首先，導入 Gym 和 PyTorch 以及其他所需庫，并創(chuàng)建一個 CartPole 環(huán)境實例：

import gym
import torch
from matplotlib import pyplot as plt
env = gym.make('CartPole-v0')

獲取并打印狀態(tài)空間和行動空間的尺寸：

n_state = env.observation_space.shape[0]
print(n_state)
# 4
n_action = env.action_space.n
print(n_action)
# 2

當我們在之后定義權重矩陣時，將會使用這些尺寸，即權重矩陣尺寸為 (n_state, n_action) = (4 x 2)。

接下來，定義函數(shù)用于使用給定輸入權重模擬 CartPole 環(huán)境的一個游戲回合并返回此回合中的總獎勵：

def run_episode(env, weight):
    state = env.reset()
    total_reward = 0
    is_done = False
    while not is_done:
        state = torch.from_numpy(state).float()
        action = torch.argmax(torch.matmul(state, weight))
        state, reward, is_done, _ = env.step(action.item())
        total_reward += reward
    return total_reward

在以上代碼中，我們首先將狀態(tài)數(shù)組 state 轉換為浮點型張量，然后計算狀態(tài)數(shù)組和權重矩陣張量的乘積 torch.matmul(state, weight)，以將狀態(tài)數(shù)組進行映射映射為動作數(shù)組，使用 torch.argmax() 操作選擇值較高的動作，例如值為 [0.122, 0.333]，則應選擇動作 1。然后使用 item() 方法獲取操作結果值，因為此處的 step() 方法需要接受單元素張量，獲取新的狀態(tài)和獎勵。重復以上過程，直到回合結束。

指定回合數(shù)，并初始化變量用于記錄最佳總獎勵和相應權重矩陣，并初始化數(shù)組用于記錄每個回合的總獎勵：

n_episode = 1000
best_total_reward = 0
best_weight = None
total_rewards = []

接下來，我們運行 n_episode 個回合，在每個回合中，執(zhí)行以下操作：

構建隨機權重矩陣
智能體根據(jù)權重矩陣將狀態(tài)映射到相應的動作
回合終止并返回總獎勵
更新最佳總獎勵和最佳權重，并記錄總獎勵

for e in range(n_episode):
    weight = torch.rand(n_state, n_action)
    total_reward = run_episode(env, weight)
    print('Episode {}: {}'.format(e+1, total_reward))
    if total_reward > best_total_reward:
        best_weight = weight
        best_total_reward = total_reward
    total_rewards.append(total_reward)

運行 1000 次隨機搜索獲得最佳策略，最佳策略由 best_weight 參數(shù)化。在測試最佳策略之前，我們可以計算通過隨機搜索獲得的平均總獎勵：

print('Average total reward over {} episode: {}'.format(n_episode, sum(total_rewards) / n_episode))
# Average total reward over 1000 episode: 46.722

可以看到，對比使用隨機動作獲得的結果 (22.19)，使用隨機搜索獲取的總獎勵是其兩倍以上。

接下來，我們使用隨機搜索得到的最佳權重矩陣，在 1000 個新的回合中測試其表現(xiàn)如何：

n_episode_eval = 1000
total_rewards_eval = []
for episode in range(n_episode_eval):
    total_reward = run_episode(env, best_weight)
    print('Episode {}: {}'.format(episode+1, total_reward))
    total_rewards_eval.append(total_reward)

print('Average total reward over {} episode: {}'.format(n_episode_eval, sum(total_rewards_eval) / n_episode_eval))
# Average total reward over 1000 episode: 114.786

隨機搜索算法的效果能夠獲取較好結果的主要原因是 CartPole 環(huán)境較為簡單。它的觀察狀態(tài)數(shù)組僅由四個變量組成。而在 Atari Space Invaders 游戲中的觀察值超過 100000 (即 210 \times 160 \times 3210×160×3)。同樣 CartPole 中動作狀態(tài)的維數(shù)也僅僅為 2。通常，使用簡單算法可以很好地解決簡單問題。

我們也可以注意到，隨機搜索策略的性能優(yōu)于隨機選擇動作。這是因為隨機搜索策略將智能體對環(huán)境的當前狀態(tài)考慮在內(nèi)。有了關于環(huán)境的相關信息，隨機搜索策略中的動作就可以比完全隨機的選擇動作更加智能。

我們還可以在訓練和測試階段繪制每個回合的總獎勵：

plt.plot(total_rewards, label='search')
plt.plot(total_rewards_eval, label='eval')
plt.xlabel('episode')
plt.ylabel('total_reward')
plt.legend()
plt.show()

可以看到，每個回合的總獎勵是非常隨機的，并且并沒有因為回合數(shù)的增加顯示出改善的趨勢。在訓練過程中，可以看到在實現(xiàn)前期有些回合的總獎勵已經(jīng)可以達到 200，由于智能體的策略并不會因為回合數(shù)的增加而改善，因此我們可以在回合總獎勵達到 200 時結束訓練：

n_episode = 1000
best_total_reward = 0
best_weight = None
total_rewards = []
for episode in range(n_episode):
    weight = torch.rand(n_state, n_action)
    total_reward = run_episode(env, weight)
    print('Episode {}: {}'.format(episode+1, total_reward))
    if total_reward > best_total_reward:
        best_weight = weight
        best_total_reward = total_reward
    total_rewards.append(total_reward)
    if best_total_reward == 200:
        break

由于每回合的權重都是隨機生成的，因此獲取最大獎勵的策略出現(xiàn)的回合也并不確定。要計算所需訓練回合的期望，可以重復以上訓練過程 1000 次，并取訓練次數(shù)的平均值作為期望：

n_training = 1000
n_episode_training = []
for _ in range(n_training):
    for episode in range(n_episode):
        weight = torch.rand(n_state, n_action)
        total_reward = run_episode(env, weight)
        if total_reward == 200:
            n_episode_training.append(episode+1)
            break
print('Expectation of training episodes needed: ', sum(n_episode_training) / n_training)
# Expectation of training episodes needed:  14.26

可以看到，平均而言，我們預計大約需要 14 個回合才能找到最佳策略。

到此這篇關于使用PyTorch實現(xiàn)隨機搜索策略的文章就介紹到這了,更多相關PyTorch隨機搜索內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

您可能感興趣的文章:

Python Web框架之Django框架cookie和session用法分析
這篇文章主要介紹了Python Web框架之Django框架cookie和session用法,結合實例形式分析了Django框架cookie和session的常見使用技巧與操作注意事項,需要的朋友可以參考下
2019-08-08
django model通過字典更新數(shù)據(jù)實例
這篇文章主要介紹了django model通過字典更新數(shù)據(jù)實例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧
2020-04-04
Python中的取模運算方法
今天小編就為大家分享一篇Python中的取模運算方法，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧
2018-11-11
同步和異步關注的是消息通信機制,下面這篇文章主要給大家介紹了關于Python同步方法變?yōu)楫惒椒椒ǖ南嚓P資料,文中通過示例代碼介紹的非常詳細,需要的朋友可以參考下
2022-04-04