static void _Main(string[] args)
{
int success_num;
double ITERATION = (3 * 10e5);
double GAMMA = 0.95;
CartPoleEnv env = new CartPoleEnv(WinFormEnvViewer.Factory); //or AvaloniaEnvViewer.Factory
env.Seed(0);
Space ob_space = env.ObservationSpace;
Policy_net Policy = new Policy_net("policy", env);
Policy_net Old_Policy = new Policy_net("old_policy", env);
PPOTrain PPO = new PPOTrain(Policy, Old_Policy, gamma: GAMMA);
Saver saver = tf.train.Saver();
using (var sess = tf.Session())
{
writer = tf.summary.FileWriter("./log/test", sess.graph);
sess.run(tf.global_variables_initializer());
saver.restore(sess, "model/model.ckpt");
obs = env.reset();
reward = 0;
success_num = 0;
for (double iteration = 0; iteration < ITERATION; iteration++)
{ // episode
run_policy_steps = 0;
env.render();
while (true)
{ // run policy RUN_POLICY_STEPS which is much less than episode length
run_policy_steps += 1;
obs = np.stack(new[] { obs }).astype(dtype: np.float32); // prepare to feed placeholder Policy.obs
var(act, v_pred) = Policy.act(obs: obs, stochastic: false);
act = act.item();
v_pred = v_pred.item();
observations.add(obs);
actions.add(act);
v_preds.add(v_pred);
rewards.add(reward);
var(next_obs, reward, done, info) = env.Step(act);
if (done)
{
v_preds_next = v_preds[1 :] + [0]; // next state of terminate state has 0 state value
public PPOTrain(Policy_net policy, Policy_net old_policy, double gamma = 0.95, double clip_value = 0.2, double c_1 = 1, double c_2 = 0.01)
{
/*
* :param Policy:
* :param Old_Policy:
* :param gamma:
* :param clip_value:
* :param c_1: parameter for value difference
* :param c_2: parameter for entropy bonus
*/
Policy = policy;
Old_Policy = old_policy;
this.gamma = gamma;
List <IVariableV1> pi_trainable = Policy.get_trainable_variables() as List <IVariableV1>;
List <IVariableV1> old_pi_trainable = Old_Policy.get_trainable_variables();
// assign_operations for (policy parameter values to old policy parameters
// atribuir operações para valores de parâmetros de política a parâmetros de política antigos
using (tf.variable_scope("assign_op"))
{
foreach ((RefVariable v_old, Tensor v) in zip(old_pi_trainable, pi_trainable))
{
this.assign_ops.Add(tf.assign(v_old, v));
}
}
// inputs for (train_op
// inputs para train_op
using (tf.variable_scope("train_inp"))
{
this.actions = tf.placeholder(dtype: tf.int32, shape: (Unknown), name: "actions");
this.rewards = tf.placeholder(dtype: tf.float32, shape: (Unknown), name: "rewards");
this.v_preds_next = tf.placeholder(dtype: tf.float32, shape: (Unknown), name: "v_preds_next");
this.gaes = tf.placeholder(dtype: tf.float32, shape: (Unknown), name: "gaes");
}
Tensor act_probs = Policy.act_probs;
Tensor act_probs_old = Old_Policy.act_probs;
// probabilidades de ações que o agente executou com a política
act_probs = act_probs * tf.one_hot(indices: this.actions, depth: act_probs.ToArray <double>().GetLength(1));
act_probs = tf.reduce_sum(act_probs, axis: 1);
// probabilidades de ações que o agente executou com a política antiga
act_probs_old = act_probs_old * tf.one_hot(indices: this.actions, depth: act_probs_old.ToArray <double>().GetLength(1));
act_probs_old = tf.reduce_sum(act_probs_old, axis: 1);
using (tf.variable_scope("loss/clip"))
{
// ratios = tf.divide(act_probs, act_probs_old)
Tensor ratios = tf.exp(tf.log(act_probs) - tf.log(act_probs_old));
Tensor clipped_ratios = tf.clip_by_value(ratios, clip_value_min: new Tensor(1 - clip_value), clip_value_max: new Tensor(1 + clip_value));
loss_clip = tf.minimum(tf.multiply(this.gaes, ratios), tf.multiply(this.gaes, clipped_ratios));
loss_clip = tf.reduce_mean(loss_clip);
tf.summary.scalar("loss_clip", loss_clip);
}
// construct computation graph for (loss of value function
// constrói gráfico de cálculo para perda da função de valor
using (tf.variable_scope("loss/vf"))
{
Tensor v_preds = Policy.v_preds;
loss_vf = tf.squared_difference(this.rewards + (gamma * this.v_preds_next), v_preds);
loss_vf = tf.reduce_mean(loss_vf);
tf.summary.scalar("loss_vf", loss_vf);
}
// construct computation graph for (loss of entropy bonus
// construir gráfico de computação para perda de bônus de entropia
using (tf.variable_scope("loss/entropy"))
{
entropy = -tf.reduce_sum(Policy.act_probs * tf.log(tf.clip_by_value(Policy.act_probs, new Tensor(1e-10), new Tensor(1.0))), axis: 1);
entropy = tf.reduce_mean(entropy, axis: new[] { 0 }); // média de entropia de pi (obs)
tf.summary.scalar("entropy", entropy);
}
using (tf.variable_scope("loss"))
{
loss = loss_clip - c_1 * loss_vf + c_2 * entropy;
loss = -loss; // minimize -loss == maximize loss
tf.summary.scalar("loss", loss);
}
this.merged = tf.summary.merge_all();
Optimizer optimizer = tf.train.AdamOptimizer(learning_rate: (float)1e-4, epsilon: (float)1e-5);
this.train_op = optimizer.minimize(loss, var_list: pi_trainable);
}
static void Main(string[] args)
{
List <NDArray> observations = new List <NDArray>();
List <NDArray> actions = new List <NDArray>();
List <NDArray> v_preds = new List <NDArray>();
List <double> rewards = new List <double>();
List <NDArray> v_preds_next = new List <NDArray>();
List <NDArray> gaes = new List <NDArray>();
double EPISODES = 1e5;
double GAMMA = 0.95;
CartPoleEnv env = new CartPoleEnv(WinFormEnvViewer.Factory); //or AvaloniaEnvViewer.Factory // Instancia o ambiente CartPole
env.Seed(0); //
Space ob_space = env.ObservationSpace; // Descrevem o formato de observações válidas do espaço
Policy_net Policy = new Policy_net("policy", env); // Cria a rede de Politica
Policy_net Old_Policy = new Policy_net("old_policy", env); // Cria a rede de politica antiga
PPOTrain PPO = new PPOTrain(Policy, Old_Policy, gamma: GAMMA);
Saver saver = tf.train.Saver(); //
using (var sess = tf.Session()) // Bloco da sessão
{
FileWriter writer = tf.summary.FileWriter("./log/train", sess.graph); // Define diretório de logs
sess.run(tf.global_variables_initializer()); // Inicializa as redes
NDArray obs = env.Reset(); // Resets o ambiente e obtêm a primeira observação
double reward = 0; // Armazena as recompensas
int success_num = 0; // Contador de sucessos
for (int episode = 0; episode < EPISODES; episode++) // Loop do episodio
{
int run_policy_steps = 0; // Contador de passos em cada episodio
env.Render(); // Renderiza o ambiente
while (true) // Execute a política RUN_POLICY_STEPS, que é muito menor que a duração do episódio
{
run_policy_steps += 1; // Incrementa contador de passos de cada episodio
obs = np.stack(new[] { obs }).astype(dtype: np.float32); // prepare to feed placeholder Policy.obs
(NDArray _act, NDArray _v_pred) = Policy.act(obs: obs, stochastic: true); // Corre a rede neural e obtêm uma ação e o V previsto
int act = np.asscalar <int>(_act.ToArray <int>()); // Transforma um array do numpy
NDArray v_pred = np.asscalar <double[]>(_v_pred.ToArray <double>()); // em um objeto scalar do Python
//var v_pred = _v_pred.Item(); // em um objeto scalar do Python
observations.Add(obs); // Adiciona a observação ao buffer de observações
actions.Add(act); // Adiciona a ação ao buffer de ações
v_preds.Add(v_pred); // Adiciona a v_pred ao buffer de v_pred
rewards.Add(reward); // Adiciona a recompensa ao buffer de recompensa
var(next_obs, _reward, done, _) = env.Step(act); // envia a ação ao ambiente e recebe a próxima observação, a recompensa e se o passo terminou
reward = _reward;
if (done)
{ // Se o done for (verdadeiro ...
v_preds_next = v_preds; // [1:] seleciona do segundo elemento da lista em diante e + [0] adiciona um elemento de valor zero no final da lista
v_preds_next.RemoveAt(0);
v_preds_next.Add(0);
// next state of terminate state has 0 state value
// próximo estado do estado final tem 0 valor de estado
obs = env.Reset(); // Redefine o ambiente
reward = -1; // define a recompensa como -1 (?)
break; // Sai do loop while
}
else
{ // Senão...
obs = next_obs; // Armazena em obs a próxima observação
}
}
// Armazena em log para visualização no tensorboard
//writer.add_summary(tf.Summary(value:[tf.Summary.Value(tag:"episode_length", simple_value:run_policy_steps)]), episode);
//writer.add_summary(tf.Summary(value:[tf.Summary.Value(tag:"episode_reward", simple_value:rewards.Sum())]), episode);
// Condicional para finalizar o teste
if (rewards.Sum() >= 195)
{ // Se a soma das recompensas for (maior ou igual 195
success_num += 1; // Incrementa o contador de sucessos
if (success_num >= 100)
{ // Se ocorrerem 100 sucessos
saver.save(sess, "./model/model.ckpt"); // Salva a sessão
Console.WriteLine("Clear!! Model saved."); // Escreve na tela
break; // Sai do loop
}
}
else
{ // senão,
success_num = 0; // zera o contador de sucessos
}
Console.WriteLine("EP: ", episode, " Rw: ", rewards.Sum()); // Escreve na tela o numero do episodio e a recompensa
gaes = PPO.get_gaes(rewards: rewards, v_preds: v_preds, v_preds_next: v_preds_next); // ?
// Converte lista em NPArray para alimentar o tf.placeholder
//int[] newShape = ((-1), (list(ob_space.Shape)));// cria um array [-1, 4]
var _observations = np.reshape(observations.ToArray(), shape: ((-1), (4)));// antes, cada linha de observations era um array independente. depois do reshape, observations passou ser um array só com varias linhas.
var _actions = np.array(actions.ToArray(), dtype: np.int32);
var _rewards = np.array(rewards.ToArray(), dtype: np.float32);
var _v_preds_next = np.array(v_preds_next.ToArray(), dtype: np.float32);
var __gaes = np.array(gaes.ToArray(), dtype: np.float32);
var _gaes = (__gaes - __gaes.mean()) / __gaes.std(); // subtrai dos itens de gaes a media de todos os itens de gaes e divide todos pelo desvio padrão de gaes
PPO.assign_policy_parameters();
NDArray[] inp = new[] { _observations, _actions, _rewards, _v_preds_next, _gaes }; // Cria um array com 5 colunas: observações, ações, recompensas,
// Treina
for (int epoch = 0; epoch < 4; epoch++)
{
NDArray sample_indices = np.random.randint(low: 0, high: observations.ToArray().GetLength(0), size: new Shape(64));// índices estão em [baixo, alto]
var sampled_inp = new List <NDArray>();
foreach (NDArray arr in inp)
{
foreach (int indice in sample_indices.ToArray <int>())
{
sampled_inp.Add(arr[0][indice]);
}
//sampled_inp.Add(np.Take(a: arr, índices: sample_indices, axis: 0)); // amostra de dados de treinamento
}
PPO.train(obs: sampled_inp[0], actions: sampled_inp[1], rewards: sampled_inp[2], v_preds_next: sampled_inp[3], gaes: sampled_inp[4]);
}
var summary = PPO.get_summary(obs: inp[0], actions: inp[1], rewards: inp[2], v_preds_next: inp[3], gaes: inp[4])[0];
//writer.add_summary(summary, episode);
}
//writer.close(); // Final do episódio
}
}