概述
强化学习也火了好久，最近才有空来充充电。老实说，最开始强化学习的知识点还挺多的，看了好久也没太弄清楚几个算法的关系，所以本着实践出真知的想法，找个案例做下。2048小游戏感觉本身复杂度还可以，又是个model-base的模型，检查起来比较方便，并且可以简化到2x2,3x3，所以感觉是个很不错的demo案例。顺便学习下传统的DP那一套东西，所以也做了一些很简单的实验来巩固下知识。本文还是会参杂很多个人想法，很多想法来自一些实验测试结果。关于理论的东西网上讲的已经很多了。因为查阅资料的时候，看到很多人在尝试DQN on 2048的时候遇到了不少问题，所以和大家进行下分享。
最终效果
- 大概率能玩出2048
- 最高可以玩3w多分
- 均值1w多分
- 仍有上升空间（可能有啥bug，跑久了容易挂，就没继续跑了）
- 网上能查到的比较厉害的差不多到4096（AI），比例也比较小。
实验过程
随机测试：
定义：
- max_tile:4x4格子中最大方块数
- max_score：n局下来最大总分数（n in 50-100）
- avg_score：n局平均分数（n in 50-100）
4x4的游戏中随机算法评测:
- max_tile:256
- avg_score:700+
- max_score:2k+
这里大概评估下随机水平，方便后面评估。
DQN初探：
按照自己的想法构建了一个最初版本的DQN
- net:4*4直接reshape(-1,16) - dense_layer(128) - dense_layer_(4)
- memory_sie:100w
- lr:0.001(固定)
- reward:每次运行后得分
- gamma(延迟衰减):1
- e-greedy:指数衰减，最小0.1
结果：网络到max_score:3000之后，好像跑不动了。这里一脸蒙，不知道有啥可以改的。于是发现这个事情并不简单，就想简化问题到2x2看看能不能有啥收货，顺便补习下传统的一些RL算法，验证下最优原理。
值迭代、策略迭代、蒙特卡洛、Q-learning
值迭代：
值迭代
策略迭代：
策略迭代
- 值迭代、策略迭代、蒙特卡洛、Q-learning：2*2上可以快速收敛。
- Q-learning感觉会稍微有点波动。
DQN 在2x2
当用值迭代、策略迭代得到了理论最优值之后，又用DQN测试了一把。发现DQN结果比最优值总是差点，这就说明网络和学习策略确实有点问题，但同时侧面又反映了，2x2的时候能很接近最优策略，4x4差的比较远，那么很大部分问题可能来自参数化和探索方面。（空间变大会设计到的点）
总结几个提升慢原因：
- 没有找到足够高分的点训练
- e-greedy
- 游戏本身随机性
- 找到高分点后，没有训练到
- 被训练数据淹没-memory_size
- lr和高分没有匹配上,太小了
- reward设计不合理
DQN-2013 + 网络层迭代、bug修复
从2x2的地方看出，参数化有问题，那么第一个想法就是优化下网络，dnn还是太粗暴了，还是得cnn，这里就有几个方案：
- 原始值 + cnn
- one-hot + cnn
- emb + cnn
- cur + next-step + cnn(github上看到别人的做法，借鉴的alphaGoZero)
新版本改进:修复了探索的bug，reward做了log变化，网络换成了emb+cnn，新结果如下：
- max_score:6000
- max_tile:1024
但是问题也暴露的很明显：
- loss出现了非常夸张的发散问题，预测值过估计严重。如下图，大概意思就是loss变得巨大无比之后，效果就开始变差，loss也下来了。
-
loss图
-
DDQN/DQN2015
一般讲DQN的三个优化：DDQN/Prioritized Experience Replay/dueling-DQN
- DDQN/DQN2015的两个方案在2048的案例中都没有啥效果，过估计仍然很严重。
- 后面两个没有提到对过估计的问题，所以没有尝试。
- dueling-dqn在别人的一篇文章中有测试，dueling-dqn比ddqn的上限要高，早期好像差别也不大。
到这里，其实有点调不下去了，后来在网上翻到了一个代码。能跑出2048，天呐，发现宝了，做了很多测试，发现我和他的方案上差异还是蛮大的，然后就开始了一点点比较的阶段。
复现Github方案
先提出别人和我方案的差异点：
- lr别人用了离散衰减，start-lr = 0.0005
- reward:用了max_tile增量+合并单元数
- memory_size:6000！！！
- 更新方案：dqn2013，没用target
- gamma:0.9
- egreedy:0.9 ，10000步后快速收敛到0
-
net:一个比较定制化的one-hot + cnn
image.png
我在他的方案上做了一系列实验：
实验1：把e-greedy改成最小0.1
实验结果：
- max_score到1w+后开始增长变得很慢，很久都没有提升。说明该任务本身具有比较强的前后相关性和随机性，最终还保持较高的探索难以发现最佳值。
实验2：用数值网络代替one-hot+cnn
实验结果：
- 提升没有之前快了，这个实验没跑完就挂了，但是raw的效果不如cnn。说明网络结构影响比较大
实验3：reward改成每步获取score
- 监控几乎和之前差不多，说明两个reward设计都可行。
实验4：在原基础上只用max_tile来作为回报，拿掉合并分数。
- 无法达到2048，在1024前就好像不涨了。说明reward也不能设计的太随意，要保持和训练方案比较高的协调性，只用max的话，reward会比较稀疏。
在做完上述一系列实验后，我大致有了个数，然后对自己的实验进行了优化。
优化方案：
- lr设计成离散衰减
- gamma:1 （没变）
- reward:score （没变）
- 更新方案：dqn-2013（没变）
- memory_size:6000
- egreedy:0.9指数衰减，10000步后快速收敛到0
- net:emb+普通2*2的cnn2层 （不变）
结果： - max_score:3.4w
- max_tile:2048
- avg_score:10000
- 截张图看下：
-
2048
-
之后测试了下ddqn，发现收敛比较。本身把memory_size设置小了之后，过估计就没有这么严重了。这里简单分下，过估计本身在Q-learning中就存在，回访池过大之后，训练越多，过估计越严重，在没有很好的高分数据前，就给搞过估计了，所以后面就不好迭代了。反而用小点的话，过估计不严重，在高分出现后也不会淹没在数据中，对于这个任务可能更好一点。很多结论可能都与这种需要长期规划的性质相关。
蒙特卡洛树搜索探索
出于对alphaGo的膜拜，我也想过，dqn很多时候不好训练，就是很难拿到高分训练数据，能不能和alphaGo一样，用个mcts,就简单做了下。结果如下：
- 纯蒙特卡洛树搜索的方案:每步模拟100-200，可以轻松到达2048，均值2w+（这里测试数据不多，跑的很慢，所以想用mcts来训练dqn的方案也被pass了）。
需要监控的点
- loss：DQN过估计严重，需要密切关注loss情况
- max-label：如果没有出现过大值，看看探索过程是不是有问题。后期探索不能太大。
- e-greedy：关注探索程度
- episode：关注大致进度和速度
- lr：这个和loss配合着看
- 评估指标：avg/max score
RL的任务感觉需要监控的内容更多，不光是监督学习的部分，探索的部分也很重要。
训练情况
- 训练出2048，要2个小时左右。大概2w episode这个样子。
小结
到此，2048的探索可能就先告一段落，虽然很多事情并没有研究太明白。但是对于整个算法有了个基础的认识。并对算法中可能存在的优化点有了一些了解。后续可能会尝试下策略梯度那一趴的东西。
网友评论