前言

Flappy Bird简介

《Flappy Bird》是一款由来自越南的独立游戏开发者Dong Nguyen所开发的作品，游戏于2013年5月24日上线，并在2014年2月突然暴红。2014年2月，《Flappy Bird》被开发者本人从苹果及谷歌应用商店撤下。2014年8月份正式回归APP STORE，正式加入Flappy迷们期待已久的多人对战模式。游戏中玩家必须控制一只小鸟，跨越由各种不同长度水管所组成的障碍。

简而言之，这是一款既简单又困难的游戏，游戏的操作方式很简单，但是想要获得非常高的分数还是一件很有挑战性的任务。如果让人类来获得一个比较高的分数，这几乎是不可能的事情。但是使用DQN来玩FlappyBird并通过上百万次的训练，拿到一个较高的分数甚至不死还是可以实现的。
为此，本人借助FlappyBird的源码进行一定程度的改写，简化了游戏机制，小鸟死亡后会立即开始下一轮游戏，并用Tensorflow基于DQN来实现AI玩FlappyBird。

DQN简介

Deep Q-Learning(DQN),通过在探索的过程中训练网络，最后所达到的目标就是将当前状态输入，得到的输出就是对应它的动作值函数，也即 f(s)=q(s,a)，这个f就是训练的网络。
DQN有两个特性，Frozen Target Network和Experience Replay，大体框架可以理解为下图所示：

在EvaluationNet中进行训练，每进行多次训练以后，将训练后的权值等参数赋给TargetNet，所以在搭建targetNet网络时，不需要计算Loss和考虑Train过程，在EvaluationNet中的Loss计算方法为

我们在学习的过程中，会设定一个Memory空间，这个空间会记录好每一次的MDP过程，也即 <s,a,r,s’> .在一开始时，Memory会先收集记录，当记录达到一定数量时，开始学习，每次从memory中随机选择一个适当的大小记忆块，这些记忆块中包含了经验（experience）也即MDP过程，并且是随机选择的，所以解决了记录相关性的问题，将这些经验中的s作为输入，传入到EvaluationNet计算出q_evaluation,将s’传入TargetNet得到q_next，之后再将EvaluationNet的参数赋给TargetNet，赋值完成以后，通过q_next来计算下一步的最大动作值，从而计算Loss，继而优化EvaluationNet。

• DQN伪代码
  
• DQN代码翻译与分析

初始化记忆体D中的记忆N
初始化随机权重θaction值的函数Q(Q估计)
初始化权重θ-=θ target-action值的函数^Q(Q现实)
循环:
    初始化第一个场景s1=x1并且预处理场景s1对应的场景处理函数Φ
    循环:
        根据可能性ε选择一个随机动作at,or
        或者选择一个最大值at从函数Q中在场景st下
        执行动作a在模拟器中并且获取一个奖励rt和下一个场景xt+1
        令st+1=st,at,xt+1并且处理Φt+1=Φ(st+1)
        将(Φt,at,rt,Φt+1)存储在D中
        采样一个随机的小批训练在D中
        设置yj值:
            如果 下一个场景yj+1是中止:则只返回rj
            否则 返回rj+ （gamma ^Q(Φj+1，a,θ)函数最大a值的值）
        #思路还是和Q-learning一样，如果有奖励则激励权重θ，如果每奖励则由gamma值来衰减权重θ
        执行一个（Q现实-Q估计）平方梯度回归来更新权重θ
        每执行多少步就执行一个^Q=Q(Q现实=Q估计，主要是权重拷贝)

项目源代码

游戏本体

FlappyBird的游戏本体的代码已经编写好了，是现成的，这里作者只提供游戏本体的源代码，下载即可，无需做过多的解释。
1.首先下载（提取码：BigG）所需的游戏本体等文件夹，然后将下载好的五个文件夹（assets、game、images、logs_bird、saved_networks）放到你的项目目录下，并确保这些文件夹和你的py源码文件是在同一目录下。
2.下载的文件夹中有一个名为saved_networks，这里保存着已经训练好的数据（训练次数为292万次），如果你想体验从零开始，也可以清空这个文件夹里面的数据只保留文件夹本身。
（PS：博主采用的VS2019开发环境，Python为3.8版本）

FlappyBird.py

上述工作完成后，就可以编写源代码来实现DQN玩FlappyBird了。程序所依靠的各类第三方库需要提前准备好，不会安装的可以自行百度pip命令来安装。

#!/usr/bin/env python
from __future__ import print_function

#import tensorflow as tf
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()
import cv2
import sys
sys.path.append("game/")
import wrapped_flappy_bird as game
import random
import numpy as np
from collections import deque

GAME = 'bird' #日志文件的名字
ACTIONS = 2 #有效操作数
GAMMA = 0.99 #衰减率
OBSERVE = 100000. #前OBSERVE轮次，不对网络进行训练，只收集数据存到记忆库中
#第OBSERVE到OBSERVE+EXPLORE轮次中，对网络进行训练，且对epsilon进行退火，逐渐减小epsilon至FINAL_EPSILON
#当到达EXPLORE轮次时，epsilon达到最终值FINAL_EPSILON，不再对其进行更新
EXPLORE = 2000000. #上限
FINAL_EPSILON = 0.0001 #EPSILON的最终值
INITIAL_EPSILON = 0.0001 #EPSILON的初始值
REPLAY_MEMORY = 50000 #记忆库
BATCH = 32 #训练批次
FRAME_PER_ACTION = 1 #每隔FRAME_PER_ACTION轮次，就会有epsilon的概率进行探索

def weight_variable(shape):
    initial = tf.truncated_normal(shape, stddev = 0.01)
    return tf.Variable(initial)

def bias_variable(shape):
    initial = tf.constant(0.01, shape = shape)
    return tf.Variable(initial)

def conv2d(x, W, stride):
    return tf.nn.conv2d(x, W, strides = [1, stride, stride, 1], padding = "SAME")

def max_pool_2x2(x):
    return tf.nn.max_pool(x, ksize = [1, 2, 2, 1], strides = [1, 2, 2, 1], padding = "SAME")

def createNetwork():
    #定义深度神经网络的参数和配置
    W_conv1 = weight_variable([8, 8, 4, 32])
    b_conv1 = bias_variable([32])

    W_conv2 = weight_variable([4, 4, 32, 64])
    b_conv2 = bias_variable([64])

    W_conv3 = weight_variable([3, 3, 64, 64])
    b_conv3 = bias_variable([64])

    W_fc1 = weight_variable([1600, 512])
    b_fc1 = bias_variable([512])

    W_fc2 = weight_variable([512, ACTIONS])
    b_fc2 = bias_variable([ACTIONS])

    #输入层
    s = tf.placeholder("float", [None, 80, 80, 4])

    #隐藏层
    h_conv1 = tf.nn.relu(conv2d(s, W_conv1, 4) + b_conv1)
    h_pool1 = max_pool_2x2(h_conv1)

    h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2, 2) + b_conv2)
    #h_pool2 = max_pool_2x2(h_conv2)

    h_conv3 = tf.nn.relu(conv2d(h_conv2, W_conv3, 1) + b_conv3)
    #h_pool3 = max_pool_2x2(h_conv3)

    #h_pool3_flat = tf.reshape(h_pool3, [-1, 256])
    h_conv3_flat = tf.reshape(h_conv3, [-1, 1600])

    h_fc1 = tf.nn.relu(tf.matmul(h_conv3_flat, W_fc1) + b_fc1)

    #输出层
    readout = tf.matmul(h_fc1, W_fc2) + b_fc2

    return s, readout, h_fc1

def trainNetwork(s, readout, h_fc1, sess):
    #定义损失函数
    a = tf.placeholder("float", [None, ACTIONS])
    y = tf.placeholder("float", [None])
    readout_action = tf.reduce_sum(tf.multiply(readout, a), reduction_indices=1)
    cost = tf.reduce_mean(tf.square(y - readout_action))
    train_step = tf.train.AdamOptimizer(1e-6).minimize(cost)

    #开启游戏模拟器，打开一个模拟器的窗口，实时显示游戏的信息
    game_state = game.GameState()

    #创建一个双端队列存放replay memory
    D = deque()

    #写入文件
    a_file = open("logs_" + GAME + "/readout.txt", 'w')
    h_file = open("logs_" + GAME + "/hidden.txt", 'w')

    #设置游戏的初始状态，设置动作为不执行跳跃，修改初始状态为80*80*4大小
    do_nothing = np.zeros(ACTIONS)
    do_nothing[0] = 1
    x_t, r_0, terminal = game_state.frame_step(do_nothing)
    x_t = cv2.cvtColor(cv2.resize(x_t, (80, 80)), cv2.COLOR_BGR2GRAY)
    ret, x_t = cv2.threshold(x_t,1,255,cv2.THRESH_BINARY)
    s_t = np.stack((x_t, x_t, x_t, x_t), axis=2)

    #加载或保存网络参数
    saver = tf.train.Saver()
    sess.run(tf.initialize_all_variables())
    checkpoint = tf.train.get_checkpoint_state("saved_networks")
    if checkpoint and checkpoint.model_checkpoint_path:
        saver.restore(sess, checkpoint.model_checkpoint_path)
        print("Successfully loaded:", checkpoint.model_checkpoint_path)
    else:
        print("Could not find old network weights")

    #开始训练
    epsilon = INITIAL_EPSILON
    t = 0
    while "flappy bird" != "angry bird":
        #使用epsilon贪心策略选择一个动作
        readout_t = readout.eval(feed_dict={s : [s_t]})[0]
        a_t = np.zeros([ACTIONS])
        action_index = 0
        if t % FRAME_PER_ACTION == 0:
            #执行一个随即动作
            if random.random() <= epsilon:
                print("----------Random Action----------")
                action_index = random.randrange(ACTIONS)
                a_t[random.randrange(ACTIONS)] = 1
            #由神经网络计算的Q(s,a)值选择对应的动作
            else:
                action_index = np.argmax(readout_t)
                a_t[action_index] = 1
        else:
            a_t[0] = 1 #不执行跳跃动作

        #随着游戏的进行，不断降低epsilon，减少随即动作
        if epsilon > FINAL_EPSILON and t > OBSERVE:
            epsilon -= (INITIAL_EPSILON - FINAL_EPSILON) / EXPLORE

        #执行选择的动作，并获得下一状态及回报
        x_t1_colored, r_t, terminal = game_state.frame_step(a_t)
        x_t1 = cv2.cvtColor(cv2.resize(x_t1_colored, (80, 80)), cv2.COLOR_BGR2GRAY)
        ret, x_t1 = cv2.threshold(x_t1, 1, 255, cv2.THRESH_BINARY)
        x_t1 = np.reshape(x_t1, (80, 80, 1))
        #s_t1 = np.append(x_t1, s_t[:,:,1:], axis = 2)
        s_t1 = np.append(x_t1, s_t[:, :, :3], axis=2)

        #将状态转移过程存储到D中，用于更新参数时采样
        D.append((s_t, a_t, r_t, s_t1, terminal))
        if len(D) > REPLAY_MEMORY:
            D.popleft()

        #过了观察期，才会进行网络参数的更新
        if t > OBSERVE:
            #从D中随机采样，用于参数更新
            minibatch = random.sample(D, BATCH)

            #分别将当前状态、采取的动作、获得的回报、下一状态分组存放
            s_j_batch = [d[0] for d in minibatch]
            a_batch = [d[1] for d in minibatch]
            r_batch = [d[2] for d in minibatch]
            s_j1_batch = [d[3] for d in minibatch]

            #计算Q(s,a)的新值
            y_batch = []
            readout_j1_batch = readout.eval(feed_dict = {s : s_j1_batch})
            for i in range(0, len(minibatch)):
                terminal = minibatch[i][4]
                #如果游戏结束，则只有反馈值
                if terminal:
                    y_batch.append(r_batch[i])
                else:
                    y_batch.append(r_batch[i] + GAMMA * np.max(readout_j1_batch[i]))

            #使用梯度下降更新网络参数
            train_step.run(feed_dict = {
                y : y_batch,
                a : a_batch,
                s : s_j_batch}
            )

        #状态发生改变，用于下次循环
        s_t = s_t1
        t += 1

        #每进行10000次迭代，保留一下网络参数
        if t % 10000 == 0:
            saver.save(sess, 'saved_networks/' + GAME + '-dqn', global_step = t)

        #打印游戏信息
        state = ""
        if t <= OBSERVE:
            state = "observe"
        elif t > OBSERVE and t <= OBSERVE + EXPLORE:
            state = "explore"
        else:
            state = "train"

        print("TIMESTEP", t, "/ STATE", state, \
            "/ EPSILON", epsilon, "/ ACTION", action_index, "/ REWARD", r_t, \
            "/ Q_MAX %e" % np.max(readout_t))
        #写入文件
        '''
        if t % 10000 <= 100:
            a_file.write(",".join([str(x) for x in readout_t]) + '\n')
            h_file.write(",".join([str(x) for x in h_fc1.eval(feed_dict={s:[s_t]})[0]]) + '\n')
            cv2.imwrite("logs_tetris/frame" + str(t) + ".png", x_t1)
        '''

def playGame():
    sess = tf.InteractiveSession()
    s, readout, h_fc1 = createNetwork()
    trainNetwork(s, readout, h_fc1, sess)

def main():
    playGame()


main()

训练结果

因为CSDN好像不能直接上传视频，只能把视频转换为gif了，凑乎看吧~

5万次

PS：这只笨鸟只会一直往上飞

10万次

PS：10万次后，似乎略有进步，不会一直总是往上飞

20万次

PS：有了大致的方向，尝试越过第一个柱子

30万次

PS：基本可以正确地找到第一个柱子间隙的方位并尝试越过

40万次

PS：已经有很高的几率过第一个柱子，并且有一定几率过第二个柱子

50万次

PS：过多个柱子的几率更高了

100万次

PS：已经达到了普通玩家的正常水平，能顺利通过5~8个柱子

200万次

PS：几乎无敌了，失败是极低概率才会发生

280万次

PS：观察了十几分钟都没有失败，应该已经无敌了~

总结

从开始训练这只鸟到几乎完全无敌，博主总共花费了近30个小时来训练它，虽然代码有读取已经训练好的神经网络参数的功能，但是博主还是想着从零开始观察并记录，不懂的小伙伴可以在下面评论或者滴滴我QAQ

注：本文是博主机器学习实例的总结，不支持任何商用，转载请注明出处！如果你也对机器学习有一定的兴趣和理解，欢迎随时找博主交流~