MADDPGです。これもうまく動かないけど、メモ。
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 |
import os import numpy as np import torch as T import torch.nn.functional as F import torch.optim as optim from make_env import make_env """ pip install pip uninstall torch pip install torch==1.4.0 pip uninstall numpy pip install numpy==1.14.5 """ """ #env = make_env('simple') env = make_env('simple_adversary') observation = env.reset() print(observation) print(observation[0]) print(env.action_space) print(env.action_space[0]) """ # リプレイバッファのクラスを作成する class MultiAgentReplayBuffer: def __init__(self, max_size, critic_dims, actor_dims, n_actions, n_agents, batch_size): # 引数をアトリビュートとして保存する self.mem_cntr = 0 # メモリーカウンター self.mem_size = max_size # メモリーサイズ self.critic_dims = critic_dims self.actor_dims = actor_dims self.n_actions = n_actions self.n_agents = n_agents self.batch_size = batch_size # メモリーの枠を確保する self.state_memory = np.zeros((self.mem_size, critic_dims)) self.new_state_memory = np.zeros((self.mem_size, critic_dims))#同じ self.reward_memory = np.zeros((self.mem_size, n_agents)) self.terminal_memory = np.zeros((self.mem_size, n_agents), dtype=bool)#最終状態は値がないようにマスクする # アクターメモリーの初期化（メソドの作成が必要） self.init_actor_memory() """ memo print(np.zeros((2,3))) [[0. 0. 0.] [0. 0. 0.]] """ # アクターメモリーの初期化 def init_actor_memory(self): self.actor_state_memory = [] self.actor_new_state_memory = [] self.actor_action_memory = [] for i in range(self.n_agents): self.actor_state_memory.append( np.zeros((self.mem_size, self.actor_dims[i]))) self.actor_new_state_memory.append( np.zeros((self.mem_size, self.actor_dims[i]))) self.actor_action_memory.append( np.zeros((self.mem_size, self.n_actions))) # トランジションの保存 def store_transition(self, raw_obs, state, action, reward, raw_obs_, state_, done): if self.mem_cntr % self.mem_size == 0 and self.mem_cntr > 0: self.init_actor_memory() index = self.mem_cntr % self.mem_size for agent_idx in range(self.n_agents): self.actor_state_memory[agent_idx][index] = raw_obs[agent_idx] self.actor_new_state_memory[agent_idx][index] = raw_obs_[agent_idx] self.actor_action_memory[agent_idx][index] = action[agent_idx] self.state_memory[index] = state # ここで８次元と２８次元で食い違っている self.new_state_memory[index] = state_ self.terminal_memory[index] = done self.mem_cntr += 1 # サンプルバッファー def sample_buffer(self): max_mem = min(self.mem_cntr, self.mem_size) batch = np.random.choice(max_mem, self.batch_size, replace=False) states = self.state_memory[batch] rewards = self.reward_memory[batch] states_ = self.new_state_memory[batch] terminal = self.terminal_memory[batch] actor_states = [] actor_new_states = [] actions = [] for agent_idx in range(self.n_agents): actor_states.append(self.actor_state_memory[agent_idx][batch]) actor_new_states.append(self.actor_new_state_memory[agent_idx][batch]) actions.append(self.actor_action_memory[agent_idx][batch]) return actor_states, states, actions, rewards , \ actor_new_states, states_, terminal def ready(self): if self.mem_cntr >= self.batch_size: return True return False # クリティックのニューラルネットワークを作成する class CriticNetwork(T.nn.Module): def __init__(self, beta, input_dims, fc1_dims, fc2_dims, n_agents, n_actions, chkpt_dir, name): # CriticNetworkクラスの親クラスT.nn.Moduleの___init__()にアクセスして、初期化する super(CriticNetwork, self).__init__() # super()で親クラスの__init__()を呼び出す #super(CriticNetwork, self).__init__()# 親のクラス=super(現在のクラス名,現在のクラス) self.chkpt_dir = chkpt_dir self.chkpt_file = os.path.join(chkpt_dir, name) self.fc1 = T.nn.Linear(input_dims+n_agents*n_actions, fc1_dims) self.fc2 = T.nn.Linear(fc1_dims, fc2_dims) self.q = T.nn.Linear(fc2_dims, 1) # 出力は一つのみ self.optimizer = optim.Adam(self.parameters(), lr=beta) self.device = T.device('cuda:0' if T.cuda.is_available() else 'cpu') self.to(self.device) if not os.path.exists(self.chkpt_file): with open(self.chkpt_file, 'w'): pass # 順伝播する def forward(self, state, action): # Q関数のNN入力は 現在のstateと方針piのNN出力としてのactionの２つである。 x = T.cat((state, action), dim=1) #列方向に合体する x = F.relu(self.fc1(x)) x = F.relu(self.fc2(x)) q = self.q(x) # 出力は一つのみ return q def save_checkpoint(self): if not os.path.exists(self.chkpt_file): with open(self.chkpt_file, 'w'): pass # state_dictは、モデルのパラメータを格納しているPythonの辞書オブジェクト T.save(self.state_dict(), self.chkpt_file) def load_checkpoint(self): self.load_state_dict(T.load(self.chkpt_file)) # アクターのニューラルネットワークを作成する class ActorNetwork(T.nn.Module): def __init__(self, alpha, input_dims, fc1_dims, fc2_dims, n_actions, chkpt_dir, name): # ActorNetworkクラスの親クラスT.nn.Moduleの___init__()にアクセスして、初期化する super(ActorNetwork, self).__init__() # 親のクラス=super(現在のクラス名,現在のクラス) self.chkpt_file = os.path.join(chkpt_dir, name) self.fc1 = T.nn.Linear(input_dims, fc1_dims) self.fc2 = T.nn.Linear(fc1_dims, fc2_dims) self.pi = T.nn.Linear(fc2_dims, n_actions) # 方策piはactionの選択肢の数分用意する self.optimizer = optim.Adam(self.parameters(), lr=alpha) self.device = T.device('cuda' if T.cuda.is_available() else 'cpu') self.to(self.device) if not os.path.exists(self.chkpt_file): with open(self.chkpt_file, 'w'): pass # 順伝播する def forward(self, state): # 方針piのNN入力はstateのみで良い。出力はpi x = F.relu(self.fc1(state)) # ここでエラーが出ている x = F.relu(self.fc2(x)) pi = T.softmax(self.pi(x), dim=1) # これも列方向 dim=1 return pi def save_checkpoint(self): if not os.path.exists(self.chkpt_file): with open(self.chkpt_file, 'w'): pass # state_dictは、モデルのパラメータを格納しているPythonの辞書オブジェクト T.save(self.state_dict(), self.chkpt_file) def load_checkpoint(self): self.load_state_dict(T.load(self.chkpt_file)) class Agent: def __init__(self, agent_idx, actor_dims, critic_dims, n_agents, n_actions, fc1=64, fc2=64, alpha=0.01, beta=0.01, gamma=0.95, tau=0.01, chkpt_dir='tmp/maddpg/'): self.gamma = gamma self.tau = tau self.n_agents = n_agents self.n_actions = n_actions self.agent_name = 'agent_%s' % agent_idx self.chkpt_dir = chkpt_dir #アクターとクリティックのNNをインスタンス化 self.actor = ActorNetwork(alpha, actor_dims, fc1, fc2, n_actions, chkpt_dir=self.chkpt_dir, name=self.agent_name+'_actor') self.critic = CriticNetwork(beta, critic_dims, fc1, fc2, n_agents, n_actions, chkpt_dir=self.chkpt_dir, name=self.agent_name+'_critic') # ターゲットアクターとターゲットクリティックのNNをインスタンス化 self.target_actor = ActorNetwork(alpha, actor_dims, fc1, fc2, n_actions, chkpt_dir=self.chkpt_dir, name=self.agent_name+'_target_actor') self.target_critic = CriticNetwork(beta, critic_dims, fc1, fc2, n_agents, n_actions, chkpt_dir=self.chkpt_dir, name=self.agent_name+'_target_critic') # NNのパラメーターを更新する self.update_network_parameters(tau=1) # NNパラメータのアップデート def update_network_parameters(self, tau=None): if tau is None: tau = self.tau # ターゲットアクターとアクターに対してNNパラメータのアップデート target_actor_params = self.target_actor.named_parameters() actor_params = self.actor.named_parameters() target_actor_state_dict = dict(target_actor_params) actor_state_dict = dict(actor_params) for name in actor_state_dict: actor_state_dict[name] = tau*actor_state_dict[name].clone() + \ (1-tau)*target_actor_state_dict[name].clone() self.target_actor.load_state_dict(actor_state_dict) # ターゲットクリティックとクリティックに対してNNパラメータのアップデート target_critic_params = self.target_critic.named_parameters() critic_params = self.critic.named_parameters() target_critic_state_dict = dict(target_critic_params) critic_state_dict = dict(critic_params) for name in critic_state_dict: critic_state_dict[name] = tau*critic_state_dict[name].clone() + \ (1-tau)*target_critic_state_dict[name].clone() self.target_critic.load_state_dict(critic_state_dict) # actionを選択する def choose_action(self, observation): state = T.tensor(np.array([observation]), dtype=T.float).to(self.actor.device) actions = self.actor.forward(state) noise = T.rand(T.tensor(self.n_actions).to(self.actor.device)) #n_actionsは整数なのでtensorに変換する action = actions + noise return action.detach().cpu().numpy()[0] # モデルを保存する def save_models(self): self.actor.save_checkpoint() self.target_actor.save_checkpoint() self.critic.save_checkpoint() self.target_critic.save_checkpoint() # モデルをロードする def load_models(self): self.actor.load_checkpoint() self.target_actor.load_checkpoint() self.critic.load_checkpoint() self.target_critic.load_checkpoint() # MADDPクラスを作成する class MADDPG: def __init__(self, actor_dims, critic_dims, n_agents, n_actions, fc1=64, fc2=64, alpha=0.01, beta=0.01, gamma=0.99, tau=0.01, scenario='simple_adversary', chkpt_dir='tmp/maddpg/'): self.agents = [] self.n_agents = n_agents self.n_actions = n_actions chkpt_dir += scenario for agent_idx in range(self.n_agents): self.agents.append(Agent(agent_idx, actor_dims[agent_idx], critic_dims, n_agents, n_actions, fc1=64, fc2=64, alpha=0.01, beta=0.01, gamma=0.95, tau=0.01, chkpt_dir=chkpt_dir)) def save_checkpoint(self): print('==== saving checkpoint ====') for agent in self.agents: agent.save_models() def load_checkpoint(self): print('==== loading checkpoint ====') for agent in self.agents: agent.load_models() def choose_action(self, raw_obs): actions = [] for agent_idx, agent in enumerate(self.agents): action = agent.choose_action(raw_obs[agent_idx]) actions.append(action) return actions def learn(self, memory): if not memory.ready(): return # リプレイバッファーのメモリからデータを引っ張り出す actor_states, states, actions, rewards,\ actor_new_states, states_, dones = memory.sample_buffer() # できれば,cudaを使いたい device = self.agents[0].actor.device states = T.tensor(states, dtype=T.float).to(device) actions = T.tensor(actions, dtype=T.float).to(device) rewards = T.tensor(rewards, dtype=T.float).to(device) states_ = T.tensor(states_, dtype=T.float).to(device) dones = T.tensor(dones).to(device) # 全てのエージェントの行動を入れる箱 all_agents_new_actions = [] all_agents_new_mu_actions = [] old_agents_actions = [] # エージェント毎に行動を空リストへappendしていく for agent_idx, agent in enumerate(self.agents): #まずは新しい状態new_statesを定義する new_states = T.tensor(actor_new_states[agent_idx], dtype=T.float).to(device) # ターゲットアクターNNを順伝搬 new_pi = agent.target_actor.forward(new_states) # ここでActorNN.forwardへ飛ぶ1024x8 # 新しい方針（行動）new_piをappendする all_agents_new_actions.append(new_pi) # 次はmu_statesをやっていく muは現在のstatesでの方策（行動）μ(θ)のこと mu_states = T.tensor(actor_states[agent_idx], dtype=T.float).to(device) # アクターNNを順伝搬 pi = agent.actor.forward(mu_states)# ここでActorNN.forwardへ飛ぶ1024x8 # 新しい方針（行動）new_piをappendする all_agents_new_mu_actions.append(pi) old_agents_actions.append(actions[agent_idx]) new_actions = T.cat([acts for acts in all_agents_new_actions], dim=1) mu = T.cat([acts for acts in all_agents_new_mu_actions], dim=1) old_actions = T.cat([acts for acts in old_agents_actions], dim=1) for agent_idx, agent in enumerate(self.agents): # target_qの計算1024x1：ターゲットクリティック（次の状態、次の行動）1024x28, 1024x15 critic_value_ = agent.target_critic(states_, new_actions).flatten() critic_value_[dones[:,0]] = 0.0 # バッチ1024全てのエージェント0のdonesを0.0にする # qの計算 critic_value = agent.critic(states, old_actions).flatten() #収益計算（割引率考慮）:target = 即時報酬r + （割引率γ x 次の状態行動価値q） target = rewards[:, agent_idx] + (agent.gamma * critic_value_) #criticNNの損失計算 critic_loss = F.mse_loss(target.detach(), critic_value) # criticの誤差逆伝播 agent.critic.optimizer.zero_grad() # 勾配初期化 critic_loss.backward(retain_graph=True) # 損失関数から勾配を計算 agent.critic.optimizer.step() # ================================= # actorNNの損失計算 actor_loss = agent.critic.forward(states, mu)#.flatten() actor_loss = - actor_loss.mean() # 本当にmeanか？ #actor_loss = - actor_loss #actorの誤差逆伝播 agent.actor.optimizer.zero_grad() actor_loss.backward(retain_graph=True) # ここでエラーが起こっている #actor_loss = actor_loss.detach() # 独自に追加：detach()を使用して、計算グラフを切り離す agent.actor.optimizer.step() """改良コードだが、動かなかったので元に戻した with T.no_grad(): agent.actor.optimizer.zero_grad() actor_loss_copy = actor_loss.clone() # コピーを作成する actor_loss_copy.backward(retain_graph=True) # コピーに対して誤差逆伝播を行う actor_loss = actor_loss_copy.detach() # 独自に追加：detach()を使用して、計算グラフを切り離す actor_loss = actor_loss_copy.detach() # detach()を使用して、計算グラフを切り離す agent.actor.optimizer.step() """ # agentのパラメータ更新実行(actor, critic, target_actor, target_critic) agent.update_network_parameters() #以上を３エージェント分繰り返す def obsavation_list_to_state_vector(observation): state = np.array([]) for obs in observation: # 観察空間を縦につなげていく state = np.concatenate([state, obs]) return state # ここからがメインスクリプト if __name__ == '__main__': # 勾配エラー検出をオンにする #T.autograd.set_detect_anomaly(True) # シナリオを定義する #scenario = 'simple' scenario = 'simple_adversary' # 環境を定義する env = make_env(scenario) # エージェントの数を定義する n_agents = env.n # 3 print('n_agents : ', n_agents) # 1 # アクターの次元を初期化する = [] actor_dims = [] # エージェントの数だけ繰り返す for i in range(n_agents): # エージェントの次元にエージェントiの観察空間の数を入れる actor_dims.append(env.observation_space[i].shape[0]) #8, 10, 10 print(f'actor_dims : {actor_dims}') # actor_dims : [8, 10, 10] # 全てのエージェントについて、アクターの観察空間数を足し算した数をクリティックNNの入力次元とする # が、間違ってないか？アクターの観察空間数を全部足したらアクターNNの入力次元ではないか？ critic_dims = sum(actor_dims) # 28 = 8 + 10 + 10 # 行動空間の数を定義する n_actions = env.action_space[0].n # 5 # MADDPGに基づいたエージェントのインスタンスを作成する # args: アクターの次元[8,10,10]、クリティックの次元28、エージェントの数3、行動空間の数5 # NN第一層のノード数64、NN第二層のノード数64、アクターNNの学習率0.01、クリティックNNの学習率0.01, # シナリオsimple_adversary, チェックポイント保存用フォルダ maddpg_agents = MADDPG(actor_dims, critic_dims, n_agents, n_actions, fc1=64, fc2=64, alpha=0.01, beta=0.01, gamma=0.99, tau=0.01, scenario=scenario, chkpt_dir='tmp/maddpg/') # リプレイバッファーからのメモリーのインスタンスを作成する memory = MultiAgentReplayBuffer(1000000, critic_dims, actor_dims, n_actions, n_agents, batch_size=1024) # 出力頻度 PRINT_INTERVAL = 500 # 試行回数 N_GAMES = 30000 # 1試行中の最大ステップ数 MAX_STEPS = 25 # 初期化 total_steps = 0 best_score = 0 # 学習=False , 評価検証=True evaluate = False # or True # 評価検証の場合は学習済みのモデルパラメータをダウンロードする if evaluate: maddpg_agents.load_checkpoint() # 試行回数分繰り返す for i in range(N_GAMES): # gym環境リセット 初期位置・初期条件 obs = env.reset() score = 0 score_history = [] done = [False] * n_agents # エージェントの数ぶん episode_step = 0 # 全エージェントのdoneが格納されているdoneリストの各要素が全部Trueでない限り繰り返す。 # つまり、全エージェントがゴールに到達したら繰り返しは終了する。 while not any(done): if evaluate: env.render() # 環境obsのときエージェントがとる行動確率から行動を抽出し、決定する actions = maddpg_agents.choose_action(obs) # 決定した行動から、次の環境、報酬、ゴールしたかどうか、その他情報を得る obs_, reward, done, info = env.step(actions) # 環境obsをベクトルに変換して状態stateとする。 state = obsavation_list_to_state_vector(obs) # 次の環境obs をベクトルに変換して次の状態state_とする。 state_ = obsavation_list_to_state_vector(obs_) # ここで、最大ステップを超えたら全エージェントのdoneを強制的にTrueにする。 if episode_step > MAX_STEPS: done = [True] * n_agents # リプレイバッファメモリーにトランジションを保存する memory.store_transition(obs, state, actions, reward, obs_, state_, done) # 100ステップ毎に実行する if total_steps % 100 == 0 and not evaluate: # インスタンスを引数にとるとどうなるのか？ maddpg_agents.learn(memory) # 次の環境を現在の環境としてアップデートする obs = obs_ # 全エージェントの報酬をスコアとして加算する score += sum(reward) # ステップ数を更新する total_steps += 1 # エピソードを更新する episode_step += 1 # スコアを履歴に追加する score_history.append(score) # スコア履歴から平均スコアを算出する avg_score = np.mean(score_history[-100:]) if not evaluate: # ベストスコアより平均スコアのほうが高ければ if avg_score > best_score: # チェックポイントを保存 maddpg_agents.save_checkpoint() # 平均スコアをベストスコアとして上書きする best_score = avg_score if i % PRINT_INTERVAL == 0 and i > 0: print('(episode)', i, 'average_score {:.1f}'.format(avg_score)) print('Script is done') #1:47:03 # #https://www.youtube.com/watch?v=tZTQ6S9PfkE |
メイン
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 |
""" Code for creating a multiagent environment with one of the scenarios listed in ./scenarios/. Can be called by using, for example: env = make_env('simple_speaker_listener') After producing the env object, can be used similarly to an OpenAI gym environment. A policy using this environment must output actions in the form of a list for all agents. Each element of the list should be a numpy array, of size (env.world.dim_p + env.world.dim_c, 1). Physical actions precede communication actions in this array. See environment.py for more details. """ def make_env(scenario_name, benchmark=False): ''' Creates a MultiAgentEnv object as env. This can be used similar to a gym environment by calling env.reset() and env.step(). Use env.render() to view the environment on the screen. Input: scenario_name : name of the scenario from ./scenarios/ to be Returns (without the .py extension) benchmark : whether you want to produce benchmarking data (usually only done during evaluation) Some useful env properties (see environment.py): .observation_space : Returns the observation space for each agent .action_space : Returns the action space for each agent .n : Returns the number of Agents ''' from multiagent.environment import MultiAgentEnv import multiagent.scenarios as scenarios # load scenario from script scenario = scenarios.load(scenario_name + ".py").Scenario() # create world world = scenario.make_world() # create multiagent environment if benchmark: env = MultiAgentEnv(world, scenario.reset_world, scenario.reward, scenario.observation, scenario.benchmark_data) else: env = MultiAgentEnv(world, scenario.reset_world, scenario.reward, scenario.observation) return env |
The following two tabs change content below.
Keita N
最新記事 by Keita N (全て見る)
- 2024/1/13 ビットコインETFの取引開始：新たな時代の幕開け - 2024年1月13日
- 2024/1/5 日本ビジネスにおける変革の必要性とその方向性 - 2024年1月6日
- 2024/1/3 アメリカ債権ETFの見通しと最新動向 - 2024年1月3日