程式設計師帶你一步步分析 AI 如何玩 Flappy Bird

以下內容來源於一次部門內部的分享，主要針對AI初學者，介紹包括CNN、Deep Q Network以及TensorFlow平臺等內容。由於筆者並非深度學習演算法研究者，因此以下更多從應用的角度對整個系統進行介紹，而不會進行詳細的公式推導。

關於Flappy Bird
Flappy Bird（非官方譯名：笨鳥先飛）是一款2013年鳥飛類遊戲，由越南河內獨立遊戲開發者阮哈東（Dong Nguyen）開發，另一個獨立遊戲開發商GEARS Studios釋出。—— 以上內來自《維基百科》
Flappy Bird操作簡單，通過點選手機螢幕使Bird上升，穿過柱狀障礙物之後得分，碰到則遊戲結束。由於障礙物高低不等，控制Bird上升和下降需要反應快並且靈活，要得到較高的分數並不容易，筆者目前最多得過10分。

本文主要介紹如何通過AI（人工智慧）的方式玩Flappy Bird遊戲，分為以下四個部分內容：

1. Flappy Bird 遊戲展示
2. 模型：卷積神經網路
3. 演算法：Deep Q Network
4. 程式碼：TensorFlow實現

一、Flappy Bird 遊戲展示

在介紹模型、演算法前先來直接看下效果，上圖是剛開始訓練的時候，畫面中的小鳥就像無頭蒼蠅一樣亂飛，下圖展示的是在本機（後面會給出配置）訓練超過10小時後（訓練步數超過2000000）的情況，其最好成績已經超過200分，人類玩家已基本不可能超越。

訓練數小於10000步（剛開始訓練）

訓練步數大於2000000步（10小時後）

由於本機配置了CUDA以及cuDNN，採用了NVIDIA的顯示卡進行平行計算，所以這裡提前貼一下執行時的日誌輸出。

關於CUDA以及cuDNN的配置，其中有一些坑包括：安裝CUDA之後迴圈登入，螢幕解析度無法正常調節等等，都是由於NVIDIA驅動安裝的問題，這不是本文要討論的主要內容，讀者可自行Google。

載入CUDA運算庫

TensorFlow執行裝置 /gpu:0

/gpu:0 這是TensorFlow平臺預設的配置方法，表示使用系統中的第一塊顯示卡。

本機軟硬體配置：
系統：Ubuntu 16.04
顯示卡：NVIDIA GeForce GTX 745 4G
版本：TensorFlow 1.0
軟體包：OpenCV 3.2.0、Pygame、Numpy、…

細心的朋友可能發現，筆者的顯示卡配置並不高，GeForce GTX 745，視訊記憶體3.94G，可用3.77G（桌面佔用了一部分），屬於入門中的入門。對於專業做深度學習演算法的朋友，這個顯示卡必然是不夠的。知乎上有帖子教大家怎麼配置更專業的顯示卡，有興趣的可以移步。

二、模型：卷積神經網路

神經網路演算法是由眾多的神經元可調的連線權值連線而成，具有大規模並行處理、分散式資訊儲存、良好的自組織自學習能力等特點。人工神經元與生物神經元結構類似，其結構對比如下圖所示。

人工神經元的輸入（x1,x2…xm）類似於生物神經元的樹突，輸入經過不同的權值（wk1, wk2, ….wkn），加上偏置，經過啟用函式得到輸出，最後將輸出傳輸到下一層神經元進行處理。

啟用函式為整個網路引入了非線性特性，這也是神經網路相比於迴歸等演算法擬合能力更強的原因。常用的啟用函式包括sigmoid、tanh等，它們的函式表示式如下：

這裡可以看出，sigmoid函式的值域是（0,1），tanh函式的值域是（-1,1）。

卷積神經網路起源於動物的視覺系統，主要包含的技術是：

1. 區域性感知域（稀疏連線）；
2. 引數共享；
3. 多卷積核；
4. 池化。

1. 區域性感知域（稀疏連線）

全連線網路的問題在於：

1. 需要訓練的引數過多，容器導致結果不收斂（梯度消失），且訓練難度極大；
2. 實際上對於某個區域性的神經元來講，它更加敏感的是小範圍內的輸入，換句話說，對於較遠的輸入，其相關性很低，權值也就非常小。

人類的視覺系統決定了人在觀察外界的時候，總是從區域性到全域性。

比如，我們看到一個美女，可能最先觀察到的是美女身上的某些部位（自己體會）。

因此，卷積神經網路與人類的視覺類似，採用區域性感知，低層的神經元只負責感知區域性的資訊，在向後傳輸的過程中，高層的神經元將區域性資訊綜合起來得到全域性資訊。

全連線與區域性連線的對比（圖片來自網際網路）

從上圖中可以看出，採用區域性連線之後，可以大大的降低訓練引數的量級。

2. 引數共享

雖然通過區域性感知降低了訓練引數的量級，但整個網路需要訓練的引數依然很多。

引數共享就是將多個具有相同統計特徵的引數設定為相同，其依據是影像中一部分的統計特徵與其它部分是一樣的。其實現是通過對影像進行卷積（卷積神經網路命名的來源）。

可以理解為，比如從一張影像中的某個區域性（卷積核大小）提取了某種特徵，然後以這種特徵為探測器，應用到整個影像中，對整個影像順序進行卷積，得到不同的特徵。

卷積過程（圖片來自網際網路）

每個卷積都是一種特徵提取方式，就像一個篩子，將影像中符合條件（啟用值越大越符合條件）的部分篩選出來，通過這種卷積就進一步降低訓練引數的量級。

3. 多卷積核

如上，每個卷積都是一種特徵提取方式，那麼對於整幅影像來講，單個卷積核提取的特徵肯定是不夠的，那麼對同一幅影像使用多種卷積核進行特徵提取，就能得到多幅特徵圖（feature map）。

不同的卷積核提取不同的特徵（圖片來自網際網路）

多幅特徵圖可以看成是同一張影像的不同通道，這個概念在後面程式碼實現的時候用得上。

4. 池化

得到特徵圖之後，可以使用提取到的特徵去訓練分類器，但依然會面臨特徵維度過多，難以計算，並且可能過擬合的問題。從影像識別的角度來講，影像可能存在偏移、旋轉等，但影像的主體卻相同的情況。也就是不同的特徵向量可能對應著相同的結果，那麼池化就是解決這個問題的。

池化過程（圖片來自網際網路）

池化就是將池化核範圍內（比如2*2範圍）的訓練引數採用平均值（平均值池化）或最大值（最大值池化）來進行替代。

終於到了展示模型的時候，下面這幅圖是筆者手畫的（用電腦畫太費時，將就看吧），這幅圖展示了本文中用於訓練遊戲所用的卷積神經網路模型。

卷積神經網路模型

影像的處理過程

1. 初始輸入四幅影像80×80×4（4代表輸入通道，初始時四幅影像是完全一致的），經過卷積核8×8×4×32（輸入通道4，輸出通道32），步距為4（每步卷積走4個畫素點），得到32幅特徵圖（feature map），大小為20×20；
2. 將20×20的影像進行池化，池化核為2×2，得到影像大小為10×10；
3. 再次卷積，卷積核為4×4×32×64，步距為2，得到影像5×5×64；
4. 再次卷積，卷積核為3×3×64*64，步距為2，得到影像5×5×64，雖然與上一步得到的影像規模一致，但再次卷積之後的影像資訊更為抽象，也更接近全域性資訊；
5. Reshape，即將多維特徵圖轉換為特徵向量，得到1600維的特徵向量；
6. 經過全連線1600×512，得到512維特徵向量；
7. 再次全連線512×2，得到最終的2維向量[0,1]和[1,0]，分別代表遊戲螢幕上的是否點選事件。

可以看出，該模型實現了端到端的學習，輸入的是遊戲螢幕的截圖資訊（程式碼中經過opencv處理），輸出的是遊戲的動作，即是否點選螢幕。深度學習的強大在於其資料擬合能力，不需要傳統機器學習中複雜的特徵提取過程，而是依靠模型發現資料內部的關係。

不過這也帶來另一方面的問題，那就是深度學習高度依賴大量的標籤資料，而這些資料獲取成本極高。

三、演算法：Deep Q Network

有了卷積神經網路模型，那麼怎樣訓練模型？使得模型收斂，從而能夠指導遊戲動作呢？機器學習分為監督學習、非監督學習和強化學習，這裡要介紹的Q Network屬於強化學習（Reinforcement Learning）的範疇。在正式介紹Q Network之前，先簡單說下它的光榮歷史。

2014年Google 4億美金收購DeepMind的橋段，大家可能聽說過。那麼，DeepMind是如何被Google給盯上的呢？最終原因可以歸咎為這篇論文：

Playing Atari with Deep Reinforcement Learning

DeepMind團隊通過強化學習，完成了20多種遊戲，實現了端到端的學習。其用到的演算法就是Q Network。2015年，DeepMind團隊在《Nature》上發表了一篇升級版：

Human-level control through deep reinforcement learning

自此，在這類遊戲領域，人已經無法超過機器了。後來又有了AlphaGo，以及Master，當然，這都是後話了。其實本文也屬於上述論文的範疇，只不過基於TensorFlow平臺進行了實現，加入了一些筆者自己的理解而已。

回到正題，Q Network屬於強化學習，那麼先介紹下強化學習。

強化學習模型

這張圖是從UCL的課程中拷出來的，課程連結地址（YouTube）：
https://www.youtube.com/watch?v=2pWv7GOvuf0

強化學習過程有兩個組成部分：

• 智慧代理（學習系統）
• 環境

如圖所示，在每步迭代過程中，首先智慧代理（學習系統）接收環境的狀態st，然後產生動作at作用於環境，環境接收動作at，並且對其進行評價，反饋給智慧代理rt。不斷的迴圈這個過程，就會產生一個狀態/動作/反饋的序列：（s1, a1, r1, s2, a2, r2…..,sn, an, rn），而這個序列讓我們很自然的想起了:

馬爾科夫決策過程

MDP：馬爾科夫決策過程

馬爾科夫決策過程與著名的HMM（隱馬爾科夫模型）相同的是，它們都具有馬爾科夫特性。那麼什麼是馬爾科夫特性呢？簡單來說，就是未來的狀態只取決於當前的狀態，與過去的狀態無關。

HMM（馬爾科夫模型）在語音識別，行為識別等機器學習領域有較為廣泛的應用。條件隨機場模型（Conditional Random Field）則用於自然語言處理。兩大模型是語音識別、自然語言處理領域的基石。

上圖可以用一個很形象的例子來說明。比如你畢業進入了一個公司，你的初始職級是T1（對應圖中的 s1），你在工作上刻苦努力，追求上進（對應圖中的a1），然後領導覺得你不錯，準備給你升職（對應圖中的r1），於是，你升到了T2；你繼續刻苦努力，追求上進……不斷的努力，不斷的升職，最後升到了sn。當然，你也有可能不努力上進，這也是一種動作，換句話說，該動作a也屬於動作集合A，然後得到的反饋r就是沒有升職加薪的機會。

這裡注意下，我們當然希望獲取最多的升職，那麼問題轉換為：如何根據當前狀態s（s屬於狀態集S），從A中選取動作a執行於環境，從而獲取最多的r，即r1 + r2 ……+rn的和最大 ？這裡必須要引入一個數學公式：狀態值函式。

狀態值函式模型

公式中有個摺合因子γ，其取值範圍為[0,1]，當其為0時，表示只考慮當前動作對當前的影響，不考慮對後續步驟的影響，當其為1時，表示當前動作對後續每步都有均等的影響。當然，實際情況通常是當前動作對後續得分有一定的影響，但隨著步數增加，其影響減小。

從公式中可以看出，狀態值函式可以通過迭代的方式來求解。增強學習的目的就是求解馬爾可夫決策過程（MDP）的最優策略。

策略就是如何根據環境選取動作來執行的依據。策略分為穩定的策略和不穩定的策略，穩定的策略在相同的環境下，總是會給出相同的動作，不穩定的策略則反之，這裡我們主要討論穩定的策略。

求解上述狀態函式需要採用動態規劃的方法，而具體到公式，不得不提：

貝爾曼方程

其中，π代表上述提到的策略，Q π (s, a)相比於V π (s)，引入了動作，被稱作動作值函式。對貝爾曼方程求最優解，就得到了貝爾曼最優性方程。

求解該方程有兩種方法：策略迭代和值迭代。

策略迭代

策略迭代分為兩個步驟：策略評估和策略改進，即首先評估策略，得到狀態值函式，其次，改進策略，如果新的策略比之前好，就替代老的策略。

值迭代

從上面我們可以看到，策略迭代演算法包含了一個策略估計的過程，而策略估計則需要掃描(sweep)所有的狀態若干次，其中巨大的計算量直接影響了策略迭代演算法的效率。而值迭代每次只掃描一次，更新過程如下：

即在值迭代的第k+1次迭代時，直接將能獲得的最大的Vπ(s)值賦給Vk+1。

Q-Learning

Q-Learning是根據值迭代的思路來進行學習的。該演算法中，Q值更新的方法如下：

雖然根據值迭代計算出目標Q值，但是這裡並沒有直接將這個Q值（是估計值）直接賦予新的Q，而是採用漸進的方式類似梯度下降，朝目標邁近一小步，取決於α，這就能夠減少估計誤差造成的影響。類似隨機梯度下降，最後可以收斂到最優的Q值。具體演算法如下：

如果沒有接觸過動態規劃的童鞋看上述公式可能有點頭大，下面通過表格來演示下Q值更新的過程，大家就明白了。

狀態	a1	a2	a3	a4
s1	Q(1, 1)	Q(1, 2)	Q(1, 3)	Q(1, 4)
s2	Q(2, 1)	Q(2, 2)	Q(2, 3)	Q(2, 4)
s3	Q(3, 1)	Q(3, 2)	Q(3, 3)	Q(3, 4)
s4	Q(4, 1)	Q(4, 2)	Q(4, 3)	Q(4, 4)

Q-Learning演算法的過程就是儲存Q值的過程。上表中，橫列為狀態s，縱列為Action a，s和a決定了表中的Q值。

第一步：初始化，將表中的Q值全部置0；

第二步：根據策略及狀態s，選擇a執行。假定當前狀態為s1，由於初始值都為0，所以任意選取a執行，假定這裡選取了a2執行，得到了reward為1，並且進入了狀態s3。根據Q值更新公式：

來更新Q值，這裡我們假設α是1，λ也等於1，也就是每一次都把目標Q值賦給Q。那麼這裡公式變成：

所以在這裡，就是

那麼對應的s3狀態，最大值是0，所以

Q表格就變成：

狀態	a1	a2	a3	a4
s1	0	1	0	0
s2	0	0	0	0
s3	0	0	0	0
s4	0	0	0	0

然後置位當前狀態s為s3。

第三步：繼續迴圈操作，進入下一次動作，當前狀態是s3，假設選擇動作a3，然後得到reward為2，狀態變成s1，那麼我們同樣進行更新：

所以Q的表格就變成：

狀態	a1	a2	a3	a4
s1	0	1	0	0
s2	0	0	0	0
s3	0	0	3	0
s4	0	0	0	0

第四步： 繼續迴圈，Q值在試驗的同時反覆更新，直到收斂。

上述表格演示了具有4種狀態/4種行為的系統，然而在實際應用中，以本文講到的Flappy Bird遊戲為例，介面為80*80個畫素點，每個畫素點的色值有256種可能。那麼實際的狀態總數為256的80*80次方，這是一個很大的數字，直接導致無法通過表格的思路進行計算。

因此，為了實現降維，這裡引入了一個價值函式近似的方法，通過一個函式表近似表達價值函式：

其中，ω 與 b 分別為引數。看到這裡，終於可以聯絡到前面提到的神經網路了，上面的表示式不就是神經元的函式嗎？

Q-network

下面這張圖來自論文《Human-level Control through Deep Reinforcement Learning》，其中詳細介紹了上述將Q值神經網路化的過程。（感興趣的可以點之前的連結瞭解原文～）

以本文為例，輸入是經過處理的4個連續的80×80影像，然後經過三個卷積層，一個池化層，兩個全連線層，最後輸出包含每一個動作Q值的向量。

現在已經將Q-learning神經網路化為Q-network了，接下來的問題是如何訓練這個神經網路。神經網路訓練的過程其實就是一個最優化方程求解的過程，定義系統的損失函式，然後讓損失函式最小化的過程。

訓練過程依賴於上述提到的DQN演算法，以目標Q值作為標籤，因此，損失函式可以定義為：

上面公式是s'，a'即下一個狀態和動作。確定了損失函式，確定了獲取樣本的方式，DQN的整個演算法也就成型了！

值得注意的是這裡的D—Experience Replay，也就是經驗池，就是如何儲存樣本及取樣的問題。

由於玩Flappy Bird遊戲，採集的樣本是一個時間序列，樣本之間具有連續性，如果每次得到樣本就更新Q值，受樣本分佈影響，效果會不好。因此，一個很直接的想法就是把樣本先存起來，然後隨機取樣如何？這就是Experience Replay的思想。

演算法實現上，先反覆實驗，並且將實驗資料儲存在D中；儲存到一定程度，就從中隨機抽取資料，對損失函式進行梯度下降。

四、程式碼：TensorFlow實現

終於到了看程式碼的時候。首先申明下，當筆者從Deep Mind的論文入手，試圖用TensorFlow實現對Flappy Bird遊戲進行實現時，發現github已有大神完成demo。思路相同，所以直接以公開程式碼為例進行分析說明了。

如有原始碼需要，請移步github：Using Deep Q-Network to Learn How To Play Flappy Bird。

程式碼從結構上來講，主要分為以下幾部分：

• GameState遊戲類，frame_step方法控制移動
• CNN模型構建
• OpenCV-Python影像預處理方法
• 模型訓練過程

1. GameState遊戲類及frame_step方法

通過Python實現遊戲必然要用pygame庫，其包含時鐘、基本的顯示控制、各種遊戲控制元件、觸發事件等，對此有興趣的，可以詳細瞭解pygame。frame_step方法的入參為shape為 (2,) 的ndarray，值域： [1,0]：什麼都不做； [0,1]：提升Bird。來看下程式碼實現：

if input_actions[1] == 1:
    if self.playery > -2 * PLAYER_HEIGHT:
        self.playerVelY = self.playerFlapAcc
        self.playerFlapped = True
        # SOUNDS['wing'].play()

後續操作包括檢查得分、設定介面、檢查是否碰撞等，這裡不再詳細展開。
frame_step方法的返回值是：

return image_data, reward, terminal

分別表示介面影像資料，得分以及是否結束遊戲。對應前面強化學習模型，介面影像資料表示環境狀態 s，得分表示環境給予學習系統的反饋 r。

2. CNN模型構建

該Demo中包含三個卷積層，一個池化層，兩個全連線層，最後輸出包含每一個動作Q值的向量。因此，首先定義權重、偏置、卷積和池化函式：

# 權重
def weight_variable(shape):
    initial = tf.truncated_normal(shape, stddev=0.01)
    return tf.Variable(initial)

# 偏置
def bias_variable(shape):
    initial = tf.constant(0.01, shape=shape)
    return tf.Variable(initial)

# 卷積
def conv2d(x, W, stride):
    return tf.nn.conv2d(x, W, strides=[1, stride, stride, 1], padding="SAME")

# 池化
def max_pool_2x2(x):
    return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding="SAME")

然後，通過上述函式構建卷積神經網路模型（對程式碼中引數不解的，可直接往前翻，看上面那張手畫的圖）。

def createNetwork():
    # 第一層卷積
    W_conv1 = weight_variable([8, 8, 4, 32])
    b_conv1 = bias_variable([32])
    # 第二層卷積
    W_conv2 = weight_variable([4, 4, 32, 64])
    b_conv2 = bias_variable([64])
    # 第三層卷積
    W_conv3 = weight_variable([3, 3, 64, 64])
    b_conv3 = bias_variable([64])
    # 第一層全連線
    W_fc1 = weight_variable([1600, 512])
    b_fc1 = bias_variable([512])
    # 第二層全連線
    W_fc2 = weight_variable([512, ACTIONS])
    b_fc2 = bias_variable([ACTIONS])

    # 輸入層
    s = tf.placeholder("float", [None, 80, 80, 4])

    # 第一層隱藏層+池化層
    h_conv1 = tf.nn.relu(conv2d(s, W_conv1, 4) + b_conv1)
    h_pool1 = max_pool_2x2(h_conv1)
    # 第二層隱藏層（這裡只用了一層池化層）
    h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2, 2) + b_conv2)
    # h_pool2 = max_pool_2x2(h_conv2)
    # 第三層隱藏層
    h_conv3 = tf.nn.relu(conv2d(h_conv2, W_conv3, 1) + b_conv3)
    # h_pool3 = max_pool_2x2(h_conv3)
    # Reshape
    # h_pool3_flat = tf.reshape(h_pool3, [-1, 256])
    h_conv3_flat = tf.reshape(h_conv3, [-1, 1600])
    # 全連線層
    h_fc1 = tf.nn.relu(tf.matmul(h_conv3_flat, W_fc1) + b_fc1)
    # 輸出層
    # readout layer
    readout = tf.matmul(h_fc1, W_fc2) + b_fc2

    return s, readout, h_fc1

3. OpenCV-Python影像預處理方法

在Ubuntu中安裝opencv的步驟比較麻煩，當時也踩了不少坑，各種Google解決。建議安裝opencv3。

這部分主要對frame_step方法返回的資料進行了灰度化和二值化，也就是最基本的影像預處理方法。

x_t, r_0, terminal = game_state.frame_step(do_nothing)
# 首先將影像轉換為80*80，然後進行灰度化
x_t = cv2.cvtColor(cv2.resize(x_t, (80, 80)), cv2.COLOR_BGR2GRAY)
# 對灰度影像二值化
ret, x_t = cv2.threshold(x_t, 1, 255, cv2.THRESH_BINARY)
# 四通道輸入影像
s_t = np.stack((x_t, x_t, x_t, x_t), axis=2)

4. DQN訓練過程

這是程式碼部分要講的重點，也是上述Q-learning演算法的程式碼化。

i. 在進入訓練之前，首先建立一些變數：

# define the cost function
a = tf.placeholder("float", [None, ACTIONS])
y = tf.placeholder("float", [None])
readout_action = tf.reduce_sum(tf.multiply(readout, a), axis=1)
cost = tf.reduce_mean(tf.square(y - readout_action))
train_step = tf.train.AdamOptimizer(1e-6).minimize(cost)

# open up a game state to communicate with emulator
game_state = game.GameState()

# store the previous observations in replay memory
D = deque()

在TensorFlow中，通常有三種讀取資料的方式：Feeding、Reading from files和Preloaded data。Feeding是最常用也最有效的方法。即在模型（Graph）構建之前，先使用placeholder進行佔位，但此時並沒有訓練資料，訓練是通過feed_dict傳入資料。

這裡的a表示輸出的動作，即強化學習模型中的Action，y表示標籤值，readout_action表示模型輸出與a相乘後，在一維求和，損失函式對標籤值與輸出值的差進行平方，train_step表示對損失函式進行Adam優化。

賦值的過程為：

# perform gradient step
train_step.run(feed_dict={
    y: y_batch,
    a: a_batch,
    s: s_j_batch}
)

ii. 建立遊戲及經驗池 D

# open up a game state to communicate with emulator
game_state = game.GameState()

# store the previous observations in replay memory
D = deque()

經驗池 D採用了佇列的資料結構，是TensorFlow中最基礎的資料結構，可以通過dequeue()和enqueue([y])方法進行取出和壓入資料。經驗池 D用來儲存實驗過程中的資料，後面的訓練過程會從中隨機取出一定量的batch進行訓練。

變數建立完成之後，需要呼叫TensorFlow系統方法tf.global_variables_initializer()新增一個操作實現變數初始化。執行時機是在模型構建完成，Session建立之初。比如：

# Create two variables.
weights = tf.Variable(tf.random_normal([784, 200], stddev=0.35),
                      name="weights")
biases = tf.Variable(tf.zeros([200]), name="biases")
...
# Add an op to initialize the variables.
init_op = tf.global_variables_initializer()

# Later, when launching the model
with tf.Session() as sess:
  # Run the init operation.
  sess.run(init_op)
  ...
  # Use the model
  ...

iii. 引數儲存及載入

採用TensorFlow訓練模型，需要將訓練得到的引數進行儲存，不然一關機，就一夜回到解放前了。TensorFlow採用Saver來儲存。一般在Session()建立之前，通過tf.train.Saver()獲取Saver例項。

saver = tf.train.Saver()

變數的恢復使用saver的restore方法：

# Create some variables.
v1 = tf.Variable(..., name="v1")
v2 = tf.Variable(..., name="v2")
...
# Add ops to save and restore all the variables.
saver = tf.train.Saver()

# Later, launch the model, use the saver to restore variables from disk, and
# do some work with the model.
with tf.Session() as sess:
  # Restore variables from disk.
  saver.restore(sess, "/tmp/model.ckpt")
  print("Model restored.")
  # Do some work with the model
  ...

在該Demo訓練時，也採用了Saver進行引數儲存。

# saving and loading networks
saver = tf.train.Saver()
checkpoint = tf.train.get_checkpoint_state("saved_networks")
if checkpoint and checkpoint.model_checkpoint_path:
    saver.restore(sess, checkpoint.model_checkpoint_path)
    print("Successfully loaded:", checkpoint.model_checkpoint_path)
else:
    print("Could not find old network weights")

首先載入CheckPointState檔案，然後採用saver.restore對已存在引數進行恢復。

在該Demo中，每隔10000步，就對引數進行儲存：

# save progress every 10000 iterations
if t % 10000 == 0:
    saver.save(sess, 'saved_networks/' + GAME + '-dqn', global_step=t)

iv. 實驗及樣本儲存

首先，根據ε 概率選擇一個Action。

# choose an action epsilon greedily
readout_t = readout.eval(feed_dict={s: [s_t]})[0]
a_t = np.zeros([ACTIONS])
action_index = 0
if t % FRAME_PER_ACTION == 0:
    if random.random() <= epsilon:
        print("----------Random Action----------")
        action_index = random.randrange(ACTIONS)
        a_t[random.randrange(ACTIONS)] = 1
    else:
        action_index = np.argmax(readout_t)
        a_t[action_index] = 1
else:
    a_t[0] = 1  # do nothing

這裡，readout_t是訓練資料為之前提到的四通道影像的模型輸出。a_t是根據ε 概率選擇的Action。

其次，執行選擇的動作，並儲存返回的狀態、得分。

# run the selected action and observe next state and reward
x_t1_colored, r_t, terminal = game_state.frame_step(a_t)
x_t1 = cv2.cvtColor(cv2.resize(x_t1_colored, (80, 80)), cv2.COLOR_BGR2GRAY)
ret, x_t1 = cv2.threshold(x_t1, 1, 255, cv2.THRESH_BINARY)
x_t1 = np.reshape(x_t1, (80, 80, 1))
# s_t1 = np.append(x_t1, s_t[:,:,1:], axis = 2)
s_t1 = np.append(x_t1, s_t[:, :, :3], axis=2)

# store the transition in D
D.append((s_t, a_t, r_t, s_t1, terminal))

經驗池D儲存的是一個馬爾科夫序列。(s_t, a_t, r_t, s_t1, terminal)分別表示t時的狀態s_t，執行的動作a_t，得到的反饋r_t，以及得到的下一步的狀態s_t1和遊戲是否結束的標誌terminal。

在下一訓練過程中，更新當前狀態及步數：

# update the old values
s_t = s_t1
t += 1

重複上述過程，實現反覆實驗及樣本儲存。

v. 通過梯度下降進行模型訓練

在實驗一段時間後，經驗池D中已經儲存了一些樣本資料後，就可以從這些樣本資料中隨機抽樣，進行模型訓練了。這裡設定樣本數為OBSERVE = 100000.。隨機抽樣的樣本數為BATCH = 32。

if t > OBSERVE:
    # sample a minibatch to train on
    minibatch = random.sample(D, BATCH)

    # get the batch variables
    s_j_batch = [d[0] for d in minibatch]
    a_batch = [d[1] for d in minibatch]
    r_batch = [d[2] for d in minibatch]
    s_j1_batch = [d[3] for d in minibatch]

    y_batch = []
    readout_j1_batch = readout.eval(feed_dict={s: s_j1_batch})
    for i in range(0, len(minibatch)):
        terminal = minibatch[i][4]
        # if terminal, only equals reward
        if terminal:
            y_batch.append(r_batch[i])
        else:
            y_batch.append(r_batch[i] + GAMMA * np.max(readout_j1_batch[i]))

    # perform gradient step
    train_step.run(feed_dict={
        y: y_batch,
        a: a_batch,
        s: s_j_batch}
    )

s_j_batch、a_batch、r_batch、s_j1_batch是從經驗池D中提取到的馬爾科夫序列（Java童鞋羨慕Python的列表推導式啊），y_batch為標籤值，若遊戲結束，則不存在下一步中狀態對應的Q值（回憶Q值更新過程），直接新增r_batch，若未結束，則用摺合因子（0.99）和下一步中狀態的最大Q值的乘積，新增至y_batch。
最後，執行梯度下降訓練，train_step的入參是s_j_batch、a_batch和y_batch。差不多經過2000000步（在本機上大概10個小時）訓練之後，就能達到本文開頭動圖中的效果啦。