NOTE
Check out the code for Simple Distributed Reinforcement Learning.
I am creating a reinforcement learning framework including Agent57.

以下Qiita記事の実装コードとなります。 コードの解説については記事を参照してください。

• 【強化学習】ついに人間を超えた！？Agent57を解説/実装してみた（Keras-RL）

Keras 向けの強化学習ライブラリである Keras-rl の Agent を拡張したものとなります。
以下のアルゴリズムを実装しています。(非公式です)

• Deep Q Learning(DQN)
• Rainbow
  • Double DQN
  • Priority Experience Reply
  • Dueling Network
  • Multi-Step learning
  • (not implemented Noisy Network)
  • (not implemented Categorical DQN)
• Deep Recurrent Q-Learning(DRQN)
• Ape-X
• Recurrent Replay Distributed DQN(R2D2)
• Recurrent Replay Distributed DQN from Demonstrations(R2D3)
• Agent57
  • Never Give Up(NGU)

使っているパッケージは以下です。

• pip install tensorflow (or tensorflow-cpu or tensorflow-gpu)
• pip install keras
• pip install keras-rl
• pip install gym
• pip install numpy
• pip install matplotlib
• pip install opencv-python
• pip install pillow
• pip install pygame

必要に応じて以下のレポジトリも参照してください。

• OpenAI Gym
• Keras-rl

• windows 10
• python 3.7.5
• tensorflow 2.1.0
• tensorflow-gpu 2.1.0
  • cuda_10.1.243
  • cudnn v7.6.5.32
• Keras 2.3.1
• keras-rl 0.4.2
• gym 0.17.1
• numpy 1.18.2
• matplotlib 3.2.1
• opencv-python 4.1.2.30
• pillow 6.2.1
• pygame 1.9.6

このレポジトリをダウンロードします。

> git clone https://github.com/pocokhc/agent57.git

examples にいくつか実行例が入っています。

> cd agent57/examples
> python mountaincar.py

UVFA回りを大幅に更新しました。 更新に伴って変更したパラメータがあるので、ここに書いておきます。

1. 入力モデルの変数名を変更

image_model
image_model_emb
image_model_rnd

↓

input_model
input_model_emb
input_model_rnd

2. 内部報酬の有効無効から、行動価値関数の有効無効に変更

enable_intrinsic_reward

↓

enable_intrinsic_actval_model

3. UVFAの入力項目を設定できるように追加

・入力無し

uvfa_ext=[]  # 外部報酬の入力項目
uvfa_int=[]  # 内部報酬の入力項目

・入力あり(全部ありの場合)

uvfa_ext=[
  UvfaType.ACTION,
  UvfaType.REWARD_EXT,
  UvfaType.REWARD_INT,
  UvfaType.POLICY,
]
uvfa_int=[
  UvfaType.ACTION,
  UvfaType.REWARD_EXT,
  UvfaType.REWARD_INT,
  UvfaType.POLICY,
]

4. エピソード終了時に null フレームを追加するオプションを作成

enable_add_episode_end_frame=True

有効にするとエピソードの最後(terminal=True)のフレームに追加して、 報酬0のnullフレームを経験メモリに追加します。

5. テスト時に実行するポリシーを変更できるオプションを追加 テスト時のpolicyは探索なしの0固定でしたが、これを任意に選択できるようなオプションを追加しました。

test_policy = 0