ช่วยปกป้อง Great Barrier Reef กับ TensorFlow บน Kaggle เข้าร่วมท้าทาย

รีเพลย์บัฟเฟอร์

ดูบน TensorFlow.org ทำงานใน Google Colab ดูแหล่งที่มาบน GitHub ดาวน์โหลดโน๊ตบุ๊ค

บทนำ

อัลกอริธึมการเรียนรู้การเสริมแรงใช้บัฟเฟอร์การเล่นซ้ำเพื่อเก็บวิถีแห่งประสบการณ์เมื่อดำเนินการนโยบายในสภาพแวดล้อม ในระหว่างการฝึก บัฟเฟอร์การเล่นซ้ำจะถูกสอบถามสำหรับชุดย่อยของวิถี (ชุดย่อยตามลำดับหรือกลุ่มตัวอย่าง) เพื่อ "เล่นซ้ำ" ประสบการณ์ของเอเจนต์

ใน colab นี้ เราสำรวจบัฟเฟอร์การเล่นซ้ำสองประเภท: สำรองด้วยไพธอนและเทนเซอร์โฟลว์สำรอง การแชร์ API ทั่วไป ในส่วนต่อไปนี้ เราจะอธิบาย API การใช้งานบัฟเฟอร์แต่ละรายการ และวิธีใช้งานระหว่างการฝึกอบรมการรวบรวมข้อมูล

ติดตั้ง

ติดตั้ง tf-agents หากคุณยังไม่ได้ติดตั้ง

pip install tf-agents
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

import tensorflow as tf
import numpy as np

from tf_agents import specs
from tf_agents.agents.dqn import dqn_agent
from tf_agents.drivers import dynamic_step_driver
from tf_agents.environments import suite_gym
from tf_agents.environments import tf_py_environment
from tf_agents.networks import q_network
from tf_agents.replay_buffers import py_uniform_replay_buffer
from tf_agents.replay_buffers import tf_uniform_replay_buffer
from tf_agents.specs import tensor_spec
from tf_agents.trajectories import time_step

Replay Buffer API

คลาส Replay Buffer มีคำจำกัดความและวิธีการดังต่อไปนี้:

class ReplayBuffer(tf.Module):
  """Abstract base class for TF-Agents replay buffer."""

  def __init__(self, data_spec, capacity):
    """Initializes the replay buffer.

    Args:
      data_spec: A spec or a list/tuple/nest of specs describing
        a single item that can be stored in this buffer
      capacity: number of elements that the replay buffer can hold.
    """

  @property
  def data_spec(self):
    """Returns the spec for items in the replay buffer."""

  @property
  def capacity(self):
    """Returns the capacity of the replay buffer."""

  def add_batch(self, items):
    """Adds a batch of items to the replay buffer."""

  def get_next(self,
               sample_batch_size=None,
               num_steps=None,
               time_stacked=True):
    """Returns an item or batch of items from the buffer."""

  def as_dataset(self,
                 sample_batch_size=None,
                 num_steps=None,
                 num_parallel_calls=None):
    """Creates and returns a dataset that returns entries from the buffer."""


  def gather_all(self):
    """Returns all the items in buffer."""
    return self._gather_all()

  def clear(self):
    """Resets the contents of replay buffer"""

ทราบว่าเมื่อ replay บัฟเฟอร์วัตถุที่จะเริ่มต้นก็ต้อง data_spec ขององค์ประกอบที่ว่ามันจะเก็บ ข้อมูลจำเพาะนี้สอดคล้องกับ TensorSpec ขององค์ประกอบวิถีที่จะเพิ่มการบัฟเฟอร์ ข้อมูลจำเพาะนี้มักจะได้มาโดยการมองหาที่เป็นตัวแทนของ agent.collect_data_spec ซึ่งกำหนดรูปร่างประเภทและโครงสร้างโดยคาดว่าตัวแทนเมื่อการฝึกอบรม (เพิ่มเติมว่าภายหลัง)

TFUniformReplayBuffer

TFUniformReplayBuffer เป็นบัฟเฟอร์รีเพลย์ที่ใช้บ่อยที่สุดในตัวแทน TF ดังนั้นเราจะใช้มันในการกวดวิชาของเราที่นี่ ใน TFUniformReplayBuffer สนับสนุนบัฟเฟอร์การจัดเก็บข้อมูลจะกระทำโดยตัวแปร tensorflow จึงเป็นส่วนหนึ่งของกราฟคำนวณ

ร้านค้าบัฟเฟอร์กระบวนการขององค์ประกอบและมีความจุสูงสุด max_length องค์ประกอบต่อส่วนชุด ดังนั้นกำลังการผลิตรวมเป็นบัฟเฟอร์ batch_size x max_length องค์ประกอบ องค์ประกอบที่เก็บไว้ในบัฟเฟอร์ทั้งหมดต้องมีข้อกำหนดข้อมูลที่ตรงกัน เมื่อใช้บัฟเฟอร์การเล่นซ้ำสำหรับการรวบรวมข้อมูล ข้อมูลจำเพาะจะเป็นข้อมูลจำเพาะการรวบรวมข้อมูลของเอเจนต์

การสร้างบัฟเฟอร์:

เพื่อสร้าง TFUniformReplayBuffer เราผ่านใน:

  1. ข้อมูลจำเพาะขององค์ประกอบข้อมูลที่บัฟเฟอร์จะจัดเก็บ
  2. batch size ที่สอดคล้องกับชุดขนาดของบัฟเฟอร์
  3. max_length จำนวนขององค์ประกอบต่อส่วนชุด

นี่คือตัวอย่างของการสร้างหนึ่ง TFUniformReplayBuffer ที่มีรายละเอียดข้อมูลตัวอย่าง batch_size 32 และ max_length 1000

data_spec =  (
        tf.TensorSpec([3], tf.float32, 'action'),
        (
            tf.TensorSpec([5], tf.float32, 'lidar'),
            tf.TensorSpec([3, 2], tf.float32, 'camera')
        )
)

batch_size = 32
max_length = 1000

replay_buffer = tf_uniform_replay_buffer.TFUniformReplayBuffer(
    data_spec,
    batch_size=batch_size,
    max_length=max_length)

เขียนไปยังบัฟเฟอร์:

ในการเพิ่มองค์ประกอบการบัฟเฟอร์รีเพลย์ที่เราใช้ add_batch(items) วิธีการที่ items นี้เป็นรายการ / tuple / รังของเทนเซอร์ที่เป็นตัวแทนของชุดของรายการที่จะเพิ่มการบัฟเฟอร์ องค์ประกอบของแต่ละ items จะต้องมีมิติด้านนอกเท่ากับ batch_size และมิติที่เหลือต้องเป็นไปตามสเปคข้อมูลของรายการ (เช่นเดียวกับรายละเอียดข้อมูลที่ส่งผ่านไปยังตัวสร้าง replay บัฟเฟอร์)

นี่คือตัวอย่างการเพิ่มชุดรายการ

action = tf.constant(1 * np.ones(
    data_spec[0].shape.as_list(), dtype=np.float32))
lidar = tf.constant(
    2 * np.ones(data_spec[1][0].shape.as_list(), dtype=np.float32))
camera = tf.constant(
    3 * np.ones(data_spec[1][1].shape.as_list(), dtype=np.float32))

values = (action, (lidar, camera))
values_batched = tf.nest.map_structure(lambda t: tf.stack([t] * batch_size),
                                       values)

replay_buffer.add_batch(values_batched)

อ่านจากบัฟเฟอร์

มีสามวิธีในการอ่านข้อมูลจากที่มี TFUniformReplayBuffer :

  1. get_next() - ผลตอบแทนหนึ่งตัวอย่างจากบัฟเฟอร์ ขนาดแบทช์ตัวอย่างและจำนวนครั้งที่ส่งคืนสามารถระบุได้โดยใช้อาร์กิวเมนต์ของวิธีนี้
  2. as_dataset() - ผลตอบแทนบัฟเฟอร์ replay เป็น tf.data.Dataset จากนั้นคุณสามารถสร้างตัววนซ้ำชุดข้อมูลและวนซ้ำตัวอย่างของรายการในบัฟเฟอร์
  3. gather_all() - ผลตอบแทนทุกรายการในบัฟเฟอร์เป็น Tensor มีรูปร่าง [batch, time, data_spec]

ด้านล่างนี้คือตัวอย่างวิธีการอ่านจากบัฟเฟอร์การเล่นซ้ำโดยใช้แต่ละวิธีเหล่านี้:

# add more items to the buffer before reading
for _ in range(5):
  replay_buffer.add_batch(values_batched)

# Get one sample from the replay buffer with batch size 10 and 1 timestep:

sample = replay_buffer.get_next(sample_batch_size=10, num_steps=1)

# Convert the replay buffer to a tf.data.Dataset and iterate through it
dataset = replay_buffer.as_dataset(
    sample_batch_size=4,
    num_steps=2)

iterator = iter(dataset)
print("Iterator trajectories:")
trajectories = []
for _ in range(3):
  t, _ = next(iterator)
  trajectories.append(t)

print(tf.nest.map_structure(lambda t: t.shape, trajectories))

# Read all elements in the replay buffer:
trajectories = replay_buffer.gather_all()

print("Trajectories from gather all:")
print(tf.nest.map_structure(lambda t: t.shape, trajectories))
WARNING:tensorflow:From /tmp/ipykernel_15476/1348928897.py:7: ReplayBuffer.get_next (from tf_agents.replay_buffers.replay_buffer) is deprecated and will be removed in a future version.
Instructions for updating:
Use `as_dataset(..., single_deterministic_pass=False) instead.
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow/python/data/experimental/ops/counter.py:66: scan (from tensorflow.python.data.experimental.ops.scan_ops) is deprecated and will be removed in a future version.
Instructions for updating:
Use `tf.data.Dataset.scan(...) instead
Iterator trajectories:
[(TensorShape([4, 2, 3]), (TensorShape([4, 2, 5]), TensorShape([4, 2, 3, 2]))), (TensorShape([4, 2, 3]), (TensorShape([4, 2, 5]), TensorShape([4, 2, 3, 2]))), (TensorShape([4, 2, 3]), (TensorShape([4, 2, 5]), TensorShape([4, 2, 3, 2])))]
WARNING:tensorflow:From /tmp/ipykernel_15476/1348928897.py:24: ReplayBuffer.gather_all (from tf_agents.replay_buffers.replay_buffer) is deprecated and will be removed in a future version.
Instructions for updating:
Use `as_dataset(..., single_deterministic_pass=True)` instead.
Trajectories from gather all:
(TensorShape([32, 6, 3]), (TensorShape([32, 6, 5]), TensorShape([32, 6, 3, 2])))

PyUniformReplayBuffer

PyUniformReplayBuffer มี functionaly เช่นเดียวกับ TFUniformReplayBuffer แต่แทนที่จะตัวแปร TF, ข้อมูลที่ถูกเก็บไว้ในอาร์เรย์ numpy บัฟเฟอร์นี้สามารถใช้สำหรับการเก็บรวบรวมข้อมูลที่ไม่อยู่ในกราฟ การมีที่เก็บข้อมูลสำรองเป็นจำนวนน้อยอาจทำให้บางแอปพลิเคชันจัดการข้อมูลได้ง่ายขึ้น (เช่น การจัดทำดัชนีสำหรับการอัปเดตลำดับความสำคัญ) โดยไม่ต้องใช้ตัวแปร Tensorflow อย่างไรก็ตาม การใช้งานนี้จะไม่มีประโยชน์ในการเพิ่มประสิทธิภาพกราฟด้วย Tensorflow

ด้านล่างนี้เป็นตัวอย่างของอินสแตนซ์หนึ่ง PyUniformReplayBuffer จากตัวแทนรายละเอียดนโยบายวิถี:

replay_buffer_capacity = 1000*32 # same capacity as the TFUniformReplayBuffer

py_replay_buffer = py_uniform_replay_buffer.PyUniformReplayBuffer(
    capacity=replay_buffer_capacity,
    data_spec=tensor_spec.to_nest_array_spec(data_spec))

การใช้บัฟเฟอร์รีเพลย์ระหว่างการฝึก

ตอนนี้เรารู้วิธีสร้างบัฟเฟอร์การเล่นซ้ำ เขียนรายการและอ่านจากบัฟเฟอร์แล้ว เราสามารถใช้บัฟเฟอร์นี้เพื่อเก็บวิถีระหว่างการฝึกอบรมตัวแทนของเรา

การเก็บรวบรวมข้อมูล

ขั้นแรก มาดูวิธีการใช้บัฟเฟอร์การเล่นซ้ำระหว่างการรวบรวมข้อมูล

ในตัวแทน TF เราใช้ Driver (ดูกวดวิชา Driver สำหรับรายละเอียดเพิ่มเติม) เพื่อประสบการณ์การเก็บในสภาพแวดล้อมที่ หากต้องการใช้ Driver เราระบุ Observer ที่มีฟังก์ชั่นสำหรับการ Driver ในการดำเนินการเมื่อได้รับวิถี

ดังนั้นเพื่อเพิ่มองค์ประกอบวิถีการบัฟเฟอร์รีเพลย์เราเพิ่มผู้สังเกตการณ์ว่าสาย add_batch(items) เพื่อเพิ่มชุดของรายการในบัฟเฟอร์รีเพลย์

ด้านล่างนี้เป็นตัวอย่างของการนี้กับ TFUniformReplayBuffer อันดับแรก เราสร้างสภาพแวดล้อม เครือข่าย และตัวแทน จากนั้นเราจะสร้าง TFUniformReplayBuffer โปรดทราบว่าข้อกำหนดขององค์ประกอบวิถีในบัฟเฟอร์การเล่นซ้ำจะเท่ากับข้อกำหนดข้อมูลการรวบรวมของเอเจนต์ แล้วเราตั้งค่าของ add_batch วิธีการเป็นผู้สังเกตการณ์ในการขับที่จะทำข้อมูลเก็บระหว่างการฝึกอบรมของเรา:

env = suite_gym.load('CartPole-v0')
tf_env = tf_py_environment.TFPyEnvironment(env)

q_net = q_network.QNetwork(
    tf_env.time_step_spec().observation,
    tf_env.action_spec(),
    fc_layer_params=(100,))

agent = dqn_agent.DqnAgent(
    tf_env.time_step_spec(),
    tf_env.action_spec(),
    q_network=q_net,
    optimizer=tf.compat.v1.train.AdamOptimizer(0.001))

replay_buffer_capacity = 1000

replay_buffer = tf_uniform_replay_buffer.TFUniformReplayBuffer(
    agent.collect_data_spec,
    batch_size=tf_env.batch_size,
    max_length=replay_buffer_capacity)

# Add an observer that adds to the replay buffer:
replay_observer = [replay_buffer.add_batch]

collect_steps_per_iteration = 10
collect_op = dynamic_step_driver.DynamicStepDriver(
  tf_env,
  agent.collect_policy,
  observers=replay_observer,
  num_steps=collect_steps_per_iteration).run()

การอ่านข้อมูลสำหรับขั้นตอนรถไฟ

หลังจากเพิ่มองค์ประกอบวิถีไปยังบัฟเฟอร์การเล่นซ้ำ เราสามารถอ่านกลุ่มวิถีจากบัฟเฟอร์การเล่นซ้ำเพื่อใช้เป็นข้อมูลอินพุตสำหรับขั้นตอนรถไฟ

ต่อไปนี้คือตัวอย่างวิธีฝึกวิถีโคจรจากบัฟเฟอร์รีเพลย์ในลูปการฝึก:

# Read the replay buffer as a Dataset,
# read batches of 4 elements, each with 2 timesteps:
dataset = replay_buffer.as_dataset(
    sample_batch_size=4,
    num_steps=2)

iterator = iter(dataset)

num_train_steps = 10

for _ in range(num_train_steps):
  trajectories, _ = next(iterator)
  loss = agent.train(experience=trajectories)
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow/python/util/dispatch.py:206: calling foldr_v2 (from tensorflow.python.ops.functional_ops) with back_prop=False is deprecated and will be removed in a future version.
Instructions for updating:
back_prop=False is deprecated. Consider using tf.stop_gradient instead.
Instead of:
results = tf.foldr(fn, elems, back_prop=False)
Use:
results = tf.nest.map_structure(tf.stop_gradient, tf.foldr(fn, elems))