-
Notifications
You must be signed in to change notification settings - Fork 34
/
dqn_fx_trade_tensorflow_MountainCar-v0.py
191 lines (161 loc) · 9.12 KB
/
dqn_fx_trade_tensorflow_MountainCar-v0.py
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
# coding:utf-8
# [0]必要なライブラリのインポート
# this code based on code on https://qiita.com/sugulu/items/bc7c70e6658f204f85f9
# I am very grateful to work of Mr. Yutaro Ogawa (id: sugulu)
import numpy as np
import time
from keras.models import Sequential, model_from_json, Model
from keras.layers import Dense, BatchNormalization, Dropout
from keras.layers.advanced_activations import LeakyReLU
from keras.optimizers import Adam
from keras.utils import plot_model
from collections import deque
from keras import backend as K
import tensorflow as tf
import pickle
from agent_fx_environment import FXEnvironment
import os
import sys
import math
import gym
# [1]損失関数の定義
# 損失関数にhuber関数を使用 参考https://github.com/jaara/AI-blog/blob/master/CartPole-DQN.py
def huberloss(y_true, y_pred):
err = y_true - y_pred
cond = K.abs(err) < 1.0
L2 = 0.5 * K.square(err)
L1 = (K.abs(err) - 0.5)
loss = tf.where(cond, L2, L1) # Keras does not cover where function in tensorflow :-(
return K.mean(loss)
# [2]Q関数をディープラーニングのネットワークをクラスとして定義
class QNetwork:
def __init__(self, learning_rate=0.001, state_size=15, action_size=3, hidden_size=10):
self.model = Sequential()
#leakey_relu1 = LeakyReLU()
#self.model.add(Dense(hidden_size, activation=leakey_relu1, input_dim=state_size))
#leakey_relu2 = LeakyReLU()
#self.model.add(Dense(hidden_size, activation=leakey_relu2))
self.model.add(Dense(hidden_size, activation='relu', input_dim=state_size))
self.model.add(Dense(hidden_size, activation='relu'))
#self.model.add(BatchNormalization())
# self.model.add(Dropout(0.5))
# self.model.add(Dense(hidden_size, activation='relu'))
self.model.add(Dense(action_size, activation='linear'))
self.optimizer = Adam(lr=learning_rate) # 誤差を減らす学習方法はAdam
self.model.compile(loss=huberloss,
optimizer=self.optimizer)
# 重みの学習
def replay(self, memory, batch_size, gamma, targetQNarg = None):
inputs = np.zeros((batch_size, feature_num))
targets = np.zeros((batch_size, 2))
mini_batch = memory.sample(batch_size)
targetQN = targetQNarg
if targetQNarg == None:
targetQN = self.model
#mini_batch = memory.get_last(batch_size)
for i, (state_b, action_b, reward_b, next_state_b) in enumerate(mini_batch):
inputs[i:i+1] = state_b
retmainQs = self.model.predict(next_state_b)[0]
next_action = np.argmax(retmainQs) # 最大の報酬を返す行動を選択する
#target = reward_b + gamma * retmainQs[next_action]
next_state_max_reward = targetQN.model.predict(next_state_b)[0][next_action]
target = reward_b + gamma * next_state_max_reward
# # 以下はQ関数のマルコフ連鎖を考慮した更新式を無視した実装
# # BUYとSELLのrewardが後追いで定まるため、それを反映するために replay を行う
# targets[i] = self.model.predict(state_b)[0] # Qネットワークの出力
# # BUY or SELL で暫定の rewardとして 0 を返されている場合は、それで学習するとまずいので
# # predictした結果を採用させる
# if not ((action_b == 0 or action_b == 1) and reward_b == 0):
targets[i] = self.model.predict(state_b)
# BUYで暫定の rewardとして 0 を返されている場合は、それを用いて学習するとまずいので
# predictした結果を採用させる（つまり、その場合以外であれば target を教師信号とする）
targets[i][action_b] = target # 教師信号
#targets[i][2] = 0.0 + gamma * next_state_max_reward # 教師信号（DONOTで返されるrewardは常に0)
self.model.fit(inputs, targets, epochs=1, verbose=verbosity, batch_size=batch_size) # epochsは訓練データの反復回数、verbose=0は表示なしの設定
# [3]Experience ReplayとFixed Target Q-Networkを実現するメモリクラス
class Memory:
def __init__(self, max_size=1000):
self.buffer = deque(maxlen=max_size)
def add(self, experience):
self.buffer.append(experience)
def sample(self, batch_size):
idx = np.random.choice(np.arange(len(self.buffer)), size=batch_size, replace=False)
return [self.buffer[ii] for ii in idx]
def get_last(self, num):
deque_length = len(self.buffer)
start = deque_length - num
end = deque_length
return [self.buffer[ii] for ii in range(start, end)]
def len(self):
return len(self.buffer)
# [4]カートの状態に応じて、行動を決定するクラス
class Actor:
def get_action(self, state, experienced_episodes, mainQN, isBacktest = False): # [C]ｔ＋１での行動を返す
# 徐々に最適行動のみをとる、ε-greedy法
#epsilon = 0.001 + 0.9 / (1.0 + (300.0 * (experienced_episodes/TOTAL_EPISODE_NUM)))
#epsilon = 0.01 + 0.9 / (1.0 + (300.0 * (experienced_episodes / TOTAL_EPISODE_NUM)))
epsilon = 0.002
if epsilon <= np.random.uniform(0, 1) or isBacktest == True:
retTargetQs = mainQN.model.predict(state)[0]
#print(retTargetQs)
action = np.argmax(retTargetQs) # 最大の報酬を返す行動を選択する
action = action * 2 # 0, 1 を 0, 2 に置き換えるため
else:
#action = np.random.choice([0, 1, 2]) # ランダムに行動する
action = np.random.choice([0, 2]) # ランダムに行動する
return action
# [5] メイン関数開始----------------------------------------------------
# [5.1] 初期設定--------------------------------------------------------
# ---
gamma = 0.99 #0.3 #0.99 # 割引係数
hidden_size = 20 #20 # Q-networkの隠れ層のニューロンの数
learning_rate = 0.003 #0.0005 #0.005 #0.01 # 0.05 #0.001 #0.0001 # 0.00001 # Q-networkの学習係数
batch_size = 8 #32 #64 # 32 # Q-networkを更新するバッチの大きさ
num_episodes = 201 # envがdoneを返すはずなので念のため多めに設定 #1000 # 総試行回数
iteration_num = 10000 #3000 # <- 1足あたり 32 * 1 * 50 で約1500回のfitが行われる計算 #20
memory_size = num_episodes * int(iteration_num * 0.1) #10000 # バッファーメモリの大きさ
feature_num = 2 #10 #11
nn_output_size = 2
TOTAL_EPISODE_NUM = num_episodes * iteration_num
verbosity = 1
def train_agent():
env = gym.make('MountainCar-v0')
# [5.2]Qネットワークとメモリ、Actorの生成--------------------------------------------------------
mainQN = QNetwork(hidden_size=hidden_size, learning_rate=learning_rate, state_size=feature_num, action_size=nn_output_size) # メインのQネットワーク
# targetQN = QNetwork(hidden_size=hidden_size, learning_rate=learning_rate, state_size=feature_num,
# action_size=nn_output_size) # 状態の価値を求めるためのネットワーク
memory = Memory(max_size=memory_size)
actor = Actor()
total_episode_cnt = 0
for cur_itr in range(iteration_num):
env.reset()
state, reward, done, info = env.step(env.action_space.sample()) # 1step目は適当な行動をとる ("DONOT")
state = np.reshape(state, [1, feature_num]) # list型のstateを、1行15列の行列に変換
# # 状態の価値を求めるネットワークに、行動を求めるメインのネットワークの重みをコピーする（同じものにする）
# targetQN.model.set_weights(mainQN.model.get_weights())
# iteration_reward_sum = 0;
for episode in range(num_episodes): # 試行数分繰り返す
total_episode_cnt += 1
action = actor.get_action(state, total_episode_cnt, mainQN) # 時刻tでの行動を決定する
next_state, reward, done, info = env.step(action) # 行動a_tの実行による、s_{t+1}, _R{t}を計算する
next_state = np.reshape(next_state, [1, feature_num]) # list型のstateを、1行11列の行列に変換
# reward=0
# iteration_reward_sum += 1
# if done:
# reward=state[0][0]
action = int(0.5 * action) # 0, 2 を 0, 1変換する
a_log = [state, action, reward, next_state]
#a_log = [state, action, iteration_reward_sum, next_state]
memory.add(a_log) # メモリを更新する
state = next_state # 状態更新
# Qネットワークの重みを学習・更新する replay
if (memory.len() > batch_size):
mainQN.replay(memory, batch_size, gamma)
#mainQN.replay(memory, batch_size, gamma, targetQNarg=targetQN)
# 環境が提供する期間が最後までいった場合
if done:
#print(str(cur_itr)+":"+str(reward))
print(str(cur_itr) + ":" + str(state[0][0]))
break
if __name__ == '__main__':
train_agent()