TensorFlowでTicTacToeに挑戦 その2

4295 ワード
TensorFlow 強化学習 TicTacToe OpenAIGym 強化学習 テキストリンク

概要

TnsorFlowでTicTacToeをやるために、OpenAiGymのTicTacToe環境作って見た。
TnsorFlowでやってみた。

写真

百回やって、4回、勝って、ドローが4回。

環境

windows 7 sp1 64bit
anaconda3
tensorflow 1.0
OpenAi Gym 0.5

方針

Qラーニングしない。CNN使わない。RNN使わない。
盤を判断する推定器、つくる。

環境observeを、貯めておいて、
報酬rewardが1と-1のときだけ、ブレイン学習する。

実行時、ランダムにアクション求めて、盤を作って
ブレインにお伺いをたてる。

学習は、1000ゲーム。

tensorflowのグラフは、input,fc,relu,fc,outputです。
inputは、9個、outputは、2個。fcは、20個、20個。
オプチマイザーは、GradientDescentOptimizer。

学習プログラムと実行プログラムつくる。
学習は、saver.saveする。
実行で、saver.restoreする。

学習のサンプルコード

def main(_):
    env = toeEnv()
    saver = tf.train.Saver()
    with tf.Session() as sess:
        tf.initialize_all_variables().run()
        for j in range(1000):
            states = []
            rewards = []
            env.reset()
            isGameOver = False
            pstate = [0, 0, 0, 0, 0, 0, 0, 0, 0]
            while (isGameOver != True):
                action = 0
                global X, Y, train_op, loss
                action = sasu(pstate)
                state, reward, gameOver, _ = env.step(action)
                env.render()
                states.append(state)
                if gameOver:
                    isGameOver = gameOver
                else:
                    pstate, reward, gameOver, _ = env.step(-1)
                    isGameOver = gameOver
            if (reward == 1):
                for i in range(len(states)):
                    rewards.append(np.array([0, 1]))
                op, lss = sess.run([train_op, loss], feed_dict = {
                    X: states,
                    Y: rewards
                })
                print("Epo: " + str(j) + " loss: " + str(lss) + " reward: 1")
            if (reward == -1):
                for i in range(len(states)):
                    rewards.append(np.array([1, 0]))
                op, lss = sess.run([train_op, loss], feed_dict = {
                    X: states,
                    Y: rewards
                })
                print("Epo: " + str(j) + " loss: " + str(lss) + " reward: -1")
        save_path = saver.save(sess, os.getcwd() + "/toe1.ckpt")
        print("Model saved in file: %s" % save_path)

確認のサンプルコード

def main(_):
    env = toeEnv()
    saver = tf.train.Saver()
    with tf.Session() as sess:
        saver.restore(sess, os.getcwd() + "/toe1.ckpt")
        win = 0
        draw = 0
        for j in range(100):
            env.reset()
            isGameOver = False
            pstate = [0, 0, 0, 0, 0, 0, 0, 0, 0]
            while (isGameOver != True):
                action = -1
                global X, Y, predict_op, loss
                found = False
                while (found != True):
                    ppstate = pstate.copy()
                    i = np.random.randint(0, 9)
                    ppstate[i] = 1.0
                    op = sess.run(predict_op, feed_dict = {
                        X: [ppstate],
                    })
                    if op == [1]:
                        found = True
                        action = i
                state, reward, gameOver, _ = env.step(action)
                env.render()
                if gameOver:
                    isGameOver = gameOver
                else:
                    pstate, reward, gameOver, _ = env.step(-1)
                    env.render()
                    isGameOver = gameOver
            if reward == 1:
                win += 1
            if reward == 0:
                draw += 1
            print ("Epo: " + str(j) + " reward: " + str(reward) + " win: " + str(win) + " draw: " + str(draw))