Chainerで機械学習と戯れる：足し算ゲームをChainerを使って強化学習できるか？　を読ませて頂き、
自分でも chainer3 で実装してみました。その時の自分用備忘録を残すために記述してみました。

お題: 足し算ゲーム by Chainer3

アクションを 1〜5 に設定することにしました。
アクションが 1〜4 の場合、7 から次の 7 まで最善でも３手掛かりますが、
アクションが 1〜5 の場合、2 -> 7 -> 2 -> 7 -> 2 -> ・・・の２手が最善手であるためです。
学習が進んだ後、最善手である２手の戦略を選ぶようになれば、OKだと思いました。

状態S: 0~9 の整数
アクションA: 1~5の整数
次状態S': (S + A) % 10
報酬R:
- +5 : 次状態S'が７の場合
- -1 : 次状態S'が７以外だった場合

実験

以下のような方針で実験しました。

・ニューラルネットのモデル以外の class は定義せず、一本調子なコードにしました。(自分のコーディング力の問題)
・学習 -> テスト -> 学習 -> テスト -> ・・・とはせず、学習 -> テストのように、ループは一周にしました。
・ニューラルネットのモデルは何が良いかとか分かってないので、エイヤで作りました。
・ optimizers.SGD() を選択した根拠も特にありません。
・ Ubuntu 16.04 上で実行しました。
・ chainer のバージョンは、3.5.0 です。

test.py

import numpy as np

import chainer
import chainer.functions as F
import chainer.links as L
from chainer import Variable, optimizers

ALPHA   = 0.1
GAMMA   = 0.99
EPSILON = 0.3
actions = [1, 2, 3, 4, 5]

class MyModel(chainer.Chain):

    def __init__(self):
        super(MyModel, self).__init__()
        with self.init_scope():
            self.l1 = L.Linear(10, 10)
            self.l2 = L.Linear(10, 10)
            self.l3 = L.Linear(10, len(actions))

    def __call__(self, x):
        h1 = F.relu(self.l1(x))
        h2 = F.relu(self.l2(h1))
        return self.l3(h2)

def select_action(model, state, is_training):
    if is_training and np.random.random() < EPSILON:
        return actions[np.random.randint(0, len(actions))]
    else:
        return actions[np.argmax(model(state).data)]

def act(state, action):
    state_num = np.argmax(state.data[0])
    new_state_num = int(state_num + action) % 10
    tmp_list = np.zeros(10)
    tmp_list[new_state_num] = 1
    new_state = Variable(np.array(tmp_list, dtype=np.float32).reshape(1, -1))
    return new_state_num, new_state

if __name__ == '__main__':
    model = MyModel()
    optimizer = optimizers.SGD()
    optimizer.setup(model)

    # 初期状態Sは 0 にした
    tmp_list = np.zeros(10)
    tmp_list[0] = 1
    state = Variable(np.array(tmp_list, dtype=np.float32).reshape(1, -1))

    # これから学習
    is_training = True
    for i in range(100000):
        action = select_action(model, state, is_training)
        new_state_num, new_state = act(state, action)

        reward = -1
        if new_state_num == 7:
            reward = 5

        target     = np.copy(model(state).data)
        target_ofs = ALPHA * (reward + GAMMA * np.argmax(model(new_state).data) - target[0][action-1])
        target[0][action-1] += target_ofs

        t = Variable(target)

        if i % 1000 == 0:
            print("t      ", t.data)
            print("i ", i, " state ", np.argmax(state.data[0]), " action ", action, " new_state_num ", new_state_num, " target_ofs ", target_ofs)

        model.zerograds()
        loss = F.mean_squared_error(model(state), t)
        loss.backward()
        optimizer.update()

        state = new_state

    # 学習後に実戦 (状態はそのまま引き継ぐ)
    is_training = False
    for i in range(100):
        action = select_action(model, state, is_training)
        new_state_num, new_state = act(state, action)

        print("*state ", np.argmax(state.data[0]), " action ", action, " new_state_num ", new_state_num)

        state = new_state

結果

結果の抜粋ですが、2 -> 7 -> 2 -> 7 -> 2 -> ・・・　というように２手の戦略を採用できているので、
概ね学習が出来たのかなと思いました。

ただ、手探りで作成してきたので、自分のコードが正しいのかよく分かっていません…
コードはそれほど長くないのですが、自分としては相当苦労しました…

*state  7  action  5  new_state_num  2
*state  2  action  5  new_state_num  7
*state  7  action  5  new_state_num  2
*state  2  action  5  new_state_num  7
*state  7  action  5  new_state_num  2
*state  2  action  5  new_state_num  7
*state  7  action  5  new_state_num  2
*state  2  action  5  new_state_num  7
*state  7  action  5  new_state_num  2
*state  2  action  5  new_state_num  7
*state  7  action  5  new_state_num  2
*state  2  action  5  new_state_num  7
*state  7  action  5  new_state_num  2
*state  2  action  5  new_state_num  7
*state  7  action  5  new_state_num  2
*state  2  action  5  new_state_num  7