首页
/ PyTorch教程:强化学习实战指南(基于niconielsen32/pytorch-tutorials项目)

PyTorch教程:强化学习实战指南(基于niconielsen32/pytorch-tutorials项目)

2025-06-19 11:29:29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:

  1. 初始化环境和智能体
  2. 智能体与环境交互,收集经验
  3. 从经验回放中采样小批量数据
  4. 计算当前Q值和目标Q值
  5. 通过最小化均方误差更新网络参数
  6. 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:

  1. 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
  2. 损失函数曲线:反映Q网络或策略网络的优化过程
  3. ε衰减曲线:显示探索率随训练的变化
  4. 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

  1. 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
  2. 奖励设计:合理的奖励函数对算法收敛至关重要
  3. 网络结构:根据任务复杂度调整网络深度和宽度
  4. 训练技巧:适当使用目标网络、双网络等技术提高稳定性
  5. 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

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
144
1.93 K
kernelkernel
deepin linux kernel
C
22
6
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
274
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189
RuoYi-Vue3RuoYi-Vue3
🎉 (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
930
553
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
openHiTLSopenHiTLS
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
423
392
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
75
66
CangjieCommunityCangjieCommunity
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
1.11 K
0
openHiTLS-examplesopenHiTLS-examples
本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
64
511