在學(xué)習(xí)強(qiáng)化學(xué)習(xí)過程中，自己實(shí)現(xiàn)DQN算法時(shí)，遇到了比較多的問題，花了好幾天的時(shí)間才得以解決。最后分析總結(jié)一下，避免再走彎路。

有可能開始實(shí)現(xiàn)出來的DQN算法，無論怎么訓(xùn)練總是看不錯(cuò)成果。需要注意的地方比較多，一步一步的來分析：

一、確定算法實(shí)現(xiàn)本身是否正確

算法學(xué)習(xí)的過程一般是：學(xué)習(xí)算法相關(guān)的資料，然后自己動(dòng)手實(shí)現(xiàn)算法來進(jìn)行訓(xùn)練。當(dāng)訓(xùn)練總是失敗時(shí)，就去網(wǎng)上找別人對這個(gè)算法的實(shí)現(xiàn)，然后對比自己的實(shí)現(xiàn)和別人實(shí)現(xiàn)的差異來糾錯(cuò)。

但這個(gè)時(shí)候比較容易遇到坑，因?yàn)閯e人的實(shí)現(xiàn)可能會(huì)有幾個(gè)問題：

算法僅有一份代碼實(shí)現(xiàn)，根本就不能復(fù)現(xiàn)效果和解決問題，有的甚至根本就無法運(yùn)行。

很多算法的實(shí)現(xiàn)是那些正在學(xué)習(xí)算法的人寫的（比如我這種），而不是對算法有很好的理解的人寫的。也就是說，算法的實(shí)現(xiàn)完全就是錯(cuò)的。只是誤打誤撞，恰好訓(xùn)練時(shí)有點(diǎn)效果。

所以，就需要注意下面幾個(gè)方面：

1、確定算法實(shí)現(xiàn)必須有哪些部分。

如果確定呢？比如看算法論文的原文，或者看大學(xué)的公開課等。

DQN算法的實(shí)現(xiàn)中應(yīng)該包含目標(biāo)網(wǎng)絡(luò)（target network）和經(jīng)驗(yàn)回放（Experience Replay）相關(guān)的代碼。因?yàn)檫@是算法論文中有提到的。

Playing Atari with Deep Reinforcement Learning?arxiv.org

網(wǎng)絡(luò)上有很多DQN算法的實(shí)現(xiàn)，但是有不少的實(shí)現(xiàn)是沒有目標(biāo)網(wǎng)絡(luò)（target network）的，搜到這種文章還是直接跳過吧。

2、留意算法實(shí)現(xiàn)的細(xì)節(jié)

在DQN算法中，done參數(shù)是需要使用。網(wǎng)絡(luò)上有不少DQN算法的實(shí)現(xiàn)是沒有使用done參數(shù)進(jìn)行訓(xùn)練的。

DQN算法

經(jīng)過實(shí)際的對比測試發(fā)現(xiàn)，DQN算法中不使用done參數(shù)有時(shí)甚至將導(dǎo)致算法不能收斂。完整的代碼和數(shù)據(jù)在這里。

DQN使用done參數(shù)與否（橙色使用done參數(shù)，藍(lán)色未使用done參數(shù)）

3、區(qū)分算法本身和算法的變種

DQN算法有不少的變種，比如：Double-Q Learning，Dueling DQN等。如果你看的是權(quán)威算法的實(shí)現(xiàn)，可以肯定算法本身是不會(huì)錯(cuò)的。但是實(shí)現(xiàn)細(xì)節(jié)又和學(xué)習(xí)到的算法原理不同，那么有可能你看到的不是原始算法的實(shí)現(xiàn)，而是其變種。

二、了解不同環(huán)境對訓(xùn)練和算法收斂的影響

一般我們訓(xùn)練時(shí)使用的環(huán)境是gym，在測試DQN算法時(shí)，常用的環(huán)境有兩個(gè)：

1、CartPole

Gym的CartPole環(huán)境

立桿子游戲CartPole的特點(diǎn)是：如果算法模型越差，那么每一個(gè)游戲回合（episode）的時(shí)間就會(huì)越短，因?yàn)闂U子倒下了游戲就馬上結(jié)束了。

2、MountainCar

Gym的MountainCar環(huán)境

小車上山游戲MountainCar的特點(diǎn)是：如果算法模型越差，每一個(gè)游戲回合的時(shí)間就會(huì)越長，因?yàn)橛螒蚪Y(jié)束的條件是要么小車上山，要么移動(dòng)了200次。而開始訓(xùn)練算法時(shí)，小車是很難上山的，基本上都是移動(dòng)次數(shù)超過限制游戲結(jié)束的。

當(dāng)實(shí)現(xiàn)完算法需要驗(yàn)證算法的正確性時(shí)，結(jié)合上面兩種環(huán)境的特點(diǎn)，推薦使用第一種環(huán)境來驗(yàn)證算法。原因如下：

第一種環(huán)境的特點(diǎn)是模型越差，游戲回合時(shí)間越短。當(dāng)開始訓(xùn)練算法時(shí)，訓(xùn)練的速度就會(huì)比較快，如果算法正確收斂，那么會(huì)訓(xùn)練的越來越慢，比較好觀察。

與之對比的是第二種環(huán)境，模型越差，游戲回合時(shí)間越長。訓(xùn)練開始時(shí)，因?yàn)槊總€(gè)回合的時(shí)間都比較長，在不借助其他工具的情況下，難以觀察算法是否在收斂。所以就可能會(huì)出現(xiàn)算法本身是正確且收斂的，但是因?yàn)槊炕睾蠒r(shí)間太長，訓(xùn)練太耗時(shí)，所以短時(shí)間內(nèi)看不出趨勢就誤認(rèn)為算法是錯(cuò)誤的。

三、善用tensorboardX來記錄分析訓(xùn)練過程

訓(xùn)練過程中的數(shù)據(jù)對觀察算法是否收斂和對比算法或超參數(shù)有很大的幫助。

1、觀察算法是否收斂

最直觀的，訓(xùn)練過程獎(jiǎng)勵(lì)（reward）的變化過程直接表明了算法是否收斂。

在此基礎(chǔ)上，與環(huán)境相關(guān)的數(shù)據(jù)，比如游戲每回合的步數(shù)（step）也能反映算法是否收斂，CartPole環(huán)境每回合的步數(shù)應(yīng)該慢慢增長，MountainCar環(huán)境每回合步數(shù)應(yīng)該慢慢減少。

和算法相關(guān)數(shù)據(jù)，比如loss的值，在DQN算法中，loss的值應(yīng)該慢慢減少，直到趨于平穩(wěn)。

下圖是DQN算法訓(xùn)練MountainCar-v0環(huán)境過程的tensorboardX截圖，完整的代碼和數(shù)據(jù)在這里。

DQN算法訓(xùn)練MountainCar-v0環(huán)境過程

2、對比算法或超參數(shù)

可以對比不同算法或同個(gè)算法不同超參數(shù)值對算法的收斂，有助于直觀的了解算法的性能和收斂的速度等。

下圖是Deep Q-Learing（橙色線條）算法和Double-Q Learning（藍(lán)色線條）訓(xùn)練MountainCar-v0環(huán)境過程的對比圖，完整的代碼和數(shù)據(jù)在這里。

Deep Q-Learing（橙色線條）算法和Double-Q Learning（藍(lán)色線條）訓(xùn)練MountainCar-v0環(huán)境過程的對比圖

總結(jié)

以上是生活随笔為你收集整理的dqn在训练过程中loss越来越大_DQN算法实现注意事项及排错方法的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。