这个例子展示了如何使用异步并行训练训练一个行动者-评论家(AC)代理平衡一个在MATLAB®中建模的车杆系统。有关如何在不使用并行训练的情况下训练代理的示例,请参见训练空调代理人平衡车杆系统.
当您使用AC代理的并行计算时,每个工作人员都会从其代理和环境的副本中生成经验。在每一个N
步骤,工作人员根据经验计算梯度,并将计算出的梯度发送回客户端代理(与MATLAB®进程相关的代理,该代理开始培训)。客户端代理更新其参数如下。
对于异步培训,客户端代理应用接收到的梯度,而不需要等待所有的worker发送梯度,并将更新后的参数发送回提供梯度的worker。然后,工作人员继续使用更新后的参数从其环境中生成经验。
对于同步训练,客户端代理等待从所有工作人员接收梯度并使用这些梯度更新其参数。然后,客户端同时将更新后的参数发送给所有工作人员。然后,所有工作人员使用更新后的参数继续生成体验。
有关同步与异步并行化的更多信息,请参见使用并行计算和gpu的列车代理.
为车杆系统创建一个预定义的环境接口。有关此环境的更多信息,请参见加载预定义的控制系统环境.
env = rlPredefinedEnv (“CartPole-Discrete”);env。PenaltyForFalling = -10;
从环境界面获取观察和行动信息。
obsInfo = getObservationInfo (env);numObservations = obsInfo.Dimension (1);actInfo = getActionInfo (env);
修复随机生成器种子的再现性。
rng (0)
AC代理使用批判值函数表示来近似给定的观察和行动的长期回报。要创建批评家,首先创建一个深度神经网络,它有一个输入(观察)和一个输出(状态值)。由于环境提供了4个观测结果,所以评价网络的输入大小为4。有关创建深度神经网络值函数表示的更多信息,请参见创建策略和价值功能表示.
批评家= [featureInputLayer(4,“归一化”,“没有”,“名字”,“状态”) fullyConnectedLayer (32,“名字”,“CriticStateFC1”) reluLayer (“名字”,“CriticRelu1”) fullyConnectedLayer (1,“名字”,“CriticFC”));criticOpts = rlRepresentationOptions (“LearnRate”1飞行,“GradientThreshold”1);评论家= rlValueRepresentation (criticNetwork obsInfo,“观察”, {“状态”}, criticOpts);
在给定的观察结果下,AC代理使用一个参与者表示来决定采取哪个动作。要创建参与者,需要创建一个具有一个输入(观察)和一个输出(动作)的深度神经网络。actor网络的输出大小为2,因为agent可以对环境施加两个力值-10和10。
[featureInputLayer(4,“归一化”,“没有”,“名字”,“状态”) fullyConnectedLayer (32,“名字”,“ActorStateFC1”) reluLayer (“名字”,“ActorRelu1”) fullyConnectedLayer (2“名字”,“行动”));actorOpts = rlRepresentationOptions (“LearnRate”1飞行,“GradientThreshold”1);演员= rlStochasticActorRepresentation (actorNetwork obsInfo actInfo,...“观察”, {“状态”}, actorOpts);
要创建AC代理,首先使用rlACAgentOptions
.
agentOpts = rlACAgentOptions (...“NumStepsToLookAhead”32岁的...“EntropyLossWeight”, 0.01,...“DiscountFactor”, 0.99);
然后使用指定的参与者表示和代理选项创建代理。有关更多信息,请参见rlACAgent
.
代理= rlACAgent(演员、评论家、agentOpts);
要培训代理,首先指定培训选项。对于本示例,请使用以下选项。
每次训练最多跑一次1000
每集最多持续一集500
时间的步骤。
在“插曲管理器”对话框中显示培训进度(设置情节
选项),并禁用命令行显示(设置详细的
选项)。
停止训练时,代理收到的平均累积奖励大于500
在10
连续集。在这一点上,代理可以平衡摆在直立的位置。
trainOpts = rlTrainingOptions (...“MaxEpisodes”, 1000,...“MaxStepsPerEpisode”, 500,...“详细”假的,...“阴谋”,“训练进步”,...“StopTrainingCriteria”,“AverageReward”,...“StopTrainingValue”, 500,...“ScoreAveragingWindowLength”10);
您可以可视化的车杆系统可以在训练或模拟使用情节
函数。
情节(env)
要使用并行计算训练代理,请指定以下训练选项。
设置UseParallel
选项真正的
.
通过设置异步并行训练代理ParallelizationOptions。模式
选项“异步”
.
在每32步之后,每个工作人员根据经验计算梯度并将其发送给客户端。
AC代理要求工人发送“梯度”
给客户端。
AC代理要求“StepsUntilDataIsSent”
等于agentOptions。NumStepsToLookAhead
.
trainOpts。UseParallel = true;trainOpts.ParallelizationOptions.Mode =“异步”;trainOpts.ParallelizationOptions.DataToSendFromWorkers =“梯度”;trainOpts.ParallelizationOptions.StepsUntilDataIsSent = 32;
有关更多信息,请参见rlTrainingOptions
.
训练代理人使用火车
函数。训练代理是一个计算密集型的过程,需要几分钟才能完成。为了节省运行此示例的时间,请通过设置加载预先训练过的代理doTraining
来假
.自己训练代理人,设置doTraining
来真正的
.由于异步并行训练的随机性,您可以从下面的训练图中期待不同的训练结果。这张图显示了训练六名工人的结果。
doTraining = false;如果doTraining培训代理商。trainingStats =火车(代理,env, trainOpts);其他的%加载示例的预训练代理。负载(“MATLABCartpoleParAC.mat”,“代理”);结束
在模拟过程中,您可以使用绘图功能可视化车杆系统。
情节(env)
为了验证训练过的代理的性能,在车杆环境中模拟它。有关代理模拟的更多信息,请参见rlSimulationOptions
和sim卡
.
simOptions = rlSimulationOptions (“MaxSteps”, 500);经验= sim (env,代理,simOptions);
totalReward =总和(experience.Reward)
totalReward = 500
[1] Mnih, Volodymyr, Adrià Puigdomènech Badia, Mehdi Mirza, Alex Graves, Timothy P. lilliicrap, Tim Harley, David Silver, Koray Kavukcuoglu。“深度强化学习的异步方法”。ArXiv: 1602.01783 (Cs), 2016年6月16日。https://arxiv.org/abs/1602.01783.