白话DQN(DeepQ-Learning)强化学习算法（五子棋九宫格对弈实例）

介绍

    本文公开一个基于dqn的九宫格游戏自动下棋算法源码，并对思路进行讲解。

源码地址：https://gitee.com/lizhigong/DQN-9pointgame

最近学习DQN算法绕了很多弯子，踩了很多坑，这里梳理一下，一来给自己学习过程留个记录，二来趁着坑比较热乎，写出来给大家分享分享。

1、Q-Learning介绍

Q-Learning的思想并不是很复杂，很多文章都有详细的介绍，这里只是简单举个例子，不做详细讲解。

比如选择一条最近的路回家，而智能体可能出现在下面的方框中的任何一个位置，路线如下图所示。

那么怎么用Q-Learning解决路线选择的问题呢？

1、给所有的方框编上数字（价值数字）

2、选择下一个路线时，按照邻近的价值最高的方框选择，就能按照最近的路线回家。

价值数字如下：

那么问题来了：这上面的数字是我自己填的，那么机器学习的话这个数字怎么定？

1、初始化（全部的方框为0）

2、设定奖励值（到家得100分）

3、任意选择一个方框，开始走，每走一步，看看所在的方框邻近的连线里面，分值最高的数字是几，然后把这个数字乘以一个系数（图例中方框较少，所以固定减10，不至于出现0，如果方框较多的情况下，用减系数的方法会出现很多0的方框，这些0的方框就不好选择路线了，所以要用乘以一个系数），填到这个方框里面。然后反复的遍历，反复的走，直到最后，数字都固定下来了。

那么Q-leaning的公式自然就出来了

这里面每个方框表示一个状态，的Q(S,A)指的是目标方框的状态价值 ，也叫到目标位置的动作转移价值，这个比较绕，初学者可以直接理解为方框的价值（获取奖励的期望值、获取奖励的概率值等等，叫法很多，万变不离其宗，主要是理解里面的意思）。R指的是奖励值（到家得100分）那个阿拉伯R就是上面说的系数，如果没有这个系数，最后所有的方框都会变成100，还是没办法选路。max(Q)就是目标位置下一步所能达到的最大价值，也可以描述成目标位置下一步最大转移价值，我不知道我描述是否容易理解。

这个状态和状态之间的转移可以做成一个价值转移表。通过迭代完善表中的价值信息，这个过程就叫Q-leaning。

2、DQN介绍

DQN也叫deepQ-Learning，在Q-Learning前面加一个Deep。Q-Learning有一个缺点，如果状态特别多，比如五子棋的棋盘，每个位置都有（空白、黑子、白子）三个状态，那么假如一个10*10的棋盘 就有3^100个状态，那么这个Q表是没办法做出来的。那么我们就没办法构建这个Q表来获取状态价值状态转移价值了。

DQN就是搭建一个人工神经网络，输入是当前状态，输出是状态转移价值。或者输入是当前状态，输出是当前状态的Q值。通过多次迭代训练，使得神经网络输出逼近真实的Q值（逼近而不是等于，因为毕竟是神经网络，参数数量，存储占用量远小于Q表，如果能做到完全等于的话，还要存储干啥）

那么神经网络的训练的损失就是 预测Q值和（max(下一步的真实Q值)乘系数 +奖励值）的差的平方。  预测Q值就是神经网络一次前向传播输出的Q值，真实Q值就是神经网络曾经预测的Q值。为什么真实Q值是神经网络曾经预测过的Q值呢？因为神经网络每次训练都会对输出值产生影响，如果这个真实Q值一直变化的话，那么神经网络是没办法收敛的。所以需要搭建另一个参数一模一样的神经网络来生成真实Q值。这个生成真实Q值的网络不需要训练，只需要迭代一定次数以后，复制一份预测网络的参数即可。就好比一个笨老师教一个学生，学生学会了以后当了老师，教新的学生，然后青出于蓝而胜于蓝，这个学生越来越强。

本文中代码用的方法是，保存历史预测的Q值，等一个棋局结束后，再用这些Q值来训练每一步的预测Q值，这样做到一个神经网络就可以了。相当于一个聪明的学生，不停的复习，归纳，总结，然后逐渐变强。

3、对抗算法介绍

根据上面介绍的Q-Learning算法，解决的是一个智能体的问题，这个智能体如何能够用最小的代价获得最大的回报。但是对弈的学习过程不一样，当前状态和当前动作对应的下一个状态会有很多，因为对手怎么下子我们不知道。那么当前状态和当前动作对应的什么状态是固定的呢？对手的状态。那么我能不能预测一下对手的Q值呢？对手的Q值和我的Q值又有什么关系呢？对于零和博弈，对手的优势就是我得劣势，对手的劣势就是我的优势，那么我就可以用对手的Q值乘一个负的系数来训练当前的Q值。这样就解决了。

训练的过程就是，先自己和自己下一局棋，并记录每一步和每一步预测的最大Q值。等棋局结束后，再把整个棋局用神经网络"回顾"一遍，用记录的步子，Q值训练。

4、训练过程中注意的地方

下子的时候按照常理，咱们都是选择Q值最大的动作来下子，这样下子是没问题的，但是我们是来训练网络的，如果每次选择最大的步子下子的话容易陷入一个僵局。获胜方一直用同样的套路打败败方，败方自信心很差，不会改变策略，试图用相同的思路和套路"翻盘"，却永远都不可能。神经网络很快损失就达到了0，但是还是不会正确的落子。那么我们就要加一个随即事件，一部分步子是按照最大值去走的，一部分步子是随机走的，但是最大Q值是每次都要计算出来保存用于回顾训练用的。这样很快就训练出一个会正确走子的九宫格游戏了。

感兴趣的各位大佬可以下载研究讨论一下。

QQ:306218847，欢迎联系讨论。