PyTorch教程:强化学习实战指南(基于niconielsen32/pytorch-tutorials项目)
2025-06-19 20:51:37作者:姚月梅Lane
强化学习基础概念
强化学习(Reinforcement Learning)是机器学习的一个重要分支,它通过智能体(Agent)与环境(Environment)的交互来学习最优策略。与监督学习不同,强化学习不需要预先标记的数据,而是通过试错和奖励信号来指导学习过程。
强化学习的核心要素包括:
- 状态(State):描述环境的当前情况
- 动作(Action):智能体可以采取的行为
- 奖励(Reward):环境对智能体动作的反馈
- 策略(Policy):从状态到动作的映射规则
- 价值函数(Value Function):评估状态或状态-动作对的长期价值
环境构建:网格世界
在本教程中,我们首先构建了一个简单的网格世界环境(GridWorld),这是理解强化学习基础概念的理想起点。
class GridWorld:
"""5x5网格世界环境"""
def __init__(self, size=5):
self.size = size
self.reset()
def reset(self):
"""重置环境到初始状态"""
self.agent_pos = [0, 0] # 智能体起始位置
self.goal_pos = [self.size-1, self.size-1] # 目标位置
self.done = False
return self._get_state()
def _get_state(self):
"""获取当前状态表示"""
state = np.zeros((self.size, self.size))
state[self.agent_pos[0], self.agent_pos[1]] = 1 # 标记智能体位置
state[self.goal_pos[0], self.goal_pos[1]] = 2 # 标记目标位置
return state.flatten()
这个环境具有以下特点:
- 5x5的网格空间
- 智能体从左上角(0,0)出发
- 目标是到达右下角(4,4)
- 每步动作会获得-0.1的惩罚(鼓励尽快到达目标)
- 到达目标获得+10的奖励
深度Q网络(DQN)实现
DQN是深度强化学习的里程碑算法,它结合了Q学习和深度神经网络,能够处理高维状态空间。
网络结构设计
class DQN(nn.Module):
"""DQN网络结构"""
def __init__(self, state_size, action_size, hidden_size=128):
super().__init__()
self.fc1 = nn.Linear(state_size, hidden_size)
self.fc2 = nn.Linear(hidden_size, hidden_size)
self.fc3 = nn.Linear(hidden_size, action_size)
def forward(self, x):
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x
这个网络包含三个全连接层,使用ReLU激活函数,输出层直接输出每个动作的Q值估计。
经验回放机制
经验回放(Experience Replay)是DQN的关键技术,它通过存储和随机采样过去的经验来打破数据间的相关性。
Transition = namedtuple('Transition', ('state', 'action', 'next_state', 'reward', 'done'))
class ReplayBuffer:
"""经验回放缓冲区"""
def __init__(self, capacity=10000):
self.buffer = deque(maxlen=capacity)
def push(self, *args):
"""保存一个转移"""
self.buffer.append(Transition(*args))
DQN智能体实现
class DQNAgent:
"""DQN智能体实现"""
def __init__(self, state_size, action_size, lr=1e-3, gamma=0.99,
epsilon=1.0, epsilon_decay=0.995, epsilon_min=0.01):
# 初始化参数
self.q_network = DQN(state_size, action_size).to(device)
self.target_network = DQN(state_size, action_size).to(device)
self.optimizer = optim.Adam(self.q_network.parameters(), lr=lr)
self.memory = ReplayBuffer()
def act(self, state, training=True):
"""ε-贪婪策略选择动作"""
if training and random.random() < self.epsilon:
return random.randint(0, self.action_size - 1)
state_tensor = torch.FloatTensor(state).unsqueeze(0).to(device)
with torch.no_grad():
q_values = self.q_network(state_tensor)
return q_values.argmax().item()
训练过程分析
DQN的训练过程包含几个关键步骤:
- 初始化环境和智能体
- 智能体与环境交互,收集经验
- 从经验回放中采样小批量数据
- 计算当前Q值和目标Q值
- 通过最小化均方误差更新网络参数
- 定期更新目标网络
策略梯度方法:REINFORCE
REINFORCE是一种基于蒙特卡洛的策略梯度方法,它直接优化策略参数以最大化期望回报。
策略网络设计
class PolicyNetwork(nn.Module):
"""策略网络"""
def __init__(self, state_size, action_size, hidden_size=128):
super().__init__()
self.fc1 = nn.Linear(state_size, hidden_size)
self.fc2 = nn.Linear(hidden_size, hidden_size)
self.fc3 = nn.Linear(hidden_size, action_size)
def forward(self, x):
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
return F.softmax(x, dim=-1) # 输出动作概率分布
REINFORCE算法实现
class REINFORCEAgent:
"""REINFORCE智能体"""
def train(self):
"""使用收集的奖励更新策略"""
R = 0
policy_loss = []
returns = []
# 计算折扣回报
for r in self.rewards[::-1]:
R = r + self.gamma * R
returns.insert(0, R)
# 标准化回报
returns = torch.tensor(returns)
returns = (returns - returns.mean()) / (returns.std() + 1e-9)
# 计算策略梯度损失
for log_prob, R in zip(self.saved_log_probs, returns):
policy_loss.append(-log_prob * R)
# 参数更新
self.optimizer.zero_grad()
policy_loss = torch.cat(policy_loss).sum()
policy_loss.backward()
self.optimizer.step()
实验结果与可视化
通过训练过程的可视化,我们可以直观地理解算法的学习过程:
- 训练得分曲线:展示智能体在训练过程中获得的累计奖励变化
- 损失函数曲线:反映Q网络或策略网络的优化过程
- ε衰减曲线:显示探索率随训练的变化
- 学习路径可视化:展示训练后智能体在环境中的移动路径
强化学习实践建议
- 超参数调优:学习率、折扣因子γ、探索率ε等参数对性能影响很大
- 奖励设计:合理的奖励函数对算法收敛至关重要
- 网络结构:根据任务复杂度调整网络深度和宽度
- 训练技巧:适当使用目标网络、双网络等技术提高稳定性
- 评估方法:定期测试智能体性能,避免过拟合训练环境
通过本教程,读者可以掌握使用PyTorch实现强化学习算法的核心方法,为进一步研究更复杂的强化学习问题打下坚实基础。
登录后查看全文
热门项目推荐
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~044CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0300- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
1 freeCodeCamp猫照片应用教程中的HTML注释测试问题分析2 freeCodeCamp全栈开发课程中测验游戏项目的参数顺序问题解析3 freeCodeCamp英语课程填空题提示缺失问题分析4 freeCodeCamp音乐播放器项目中的函数调用问题解析5 freeCodeCamp论坛排行榜项目中的错误日志规范要求6 freeCodeCamp 课程中关于角色与职责描述的语法优化建议 7 freeCodeCamp全栈开发课程中React组件导出方式的衔接问题分析8 freeCodeCamp Cafe Menu项目中link元素的void特性解析9 freeCodeCamp全栈开发课程中React实验项目的分类修正10 freeCodeCamp英语课程视频测验选项与提示不匹配问题分析
最新内容推荐
OMNeT++中文使用手册:网络仿真的终极指南与实用教程 基于Matlab的等几何分析IGA软件包:工程计算与几何建模的完美融合 PADS元器件位号居中脚本:提升PCB设计效率的自动化利器 电脑PC网易云音乐免安装皮肤插件使用指南:个性化音乐播放体验 Python Django图书借阅管理系统:高效智能的图书馆管理解决方案 Python开发者的macOS终极指南:VSCode安装配置全攻略 WebVideoDownloader:高效网页视频抓取工具全面使用指南 ReportMachine.v7.0D5-XE10:Delphi报表生成利器深度解析与实战指南 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 海康威视DS-7800N-K1固件升级包全面解析:提升安防设备性能的关键资源
项目优选
收起

React Native鸿蒙化仓库
C++
176
261

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
860
511

🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15

openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
259
300

deepin linux kernel
C
22
5

🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
596
57

为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0

本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
398
371

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
332
1.08 K