O Experience Replay é um componente essencial do DQN. Primeiramente, ele armazena transições (s, a, r, s’) em um buffer. Em segundo lugar, ele amostra mini-batches aleatórios para treinar a rede. Por conseguinte, as correlações temporais entre experiências são quebradas. Isso estabiliza o aprendizado significativamente. Sem replay, o DQN diverge facilmente.
Características do Experience Replay
O buffer de replay é uma fila circular de tamanho fixo. Transições antigas são descartadas quando o buffer enche. Cada transição é usada múltiplas vezes em diferentes épocas. Isso aumenta a eficiência amostral do algoritmo. Além disso, o replay permite aprendizado offline. O agente pode revisitar experiências passadas. Consequentemente, o DQN aprende de forma mais robusta e estável.
A amostragem uniforme é a abordagem mais simples. Contudo, versões avançadas usam priorização. Experiências com maior erro TD são amostradas com mais frequência. Isso acelera o aprendizado em problemas esparsos. O buffer é armazenado em RAM ou memória GPU. O tamanho típico é 1 milhão de transições para jogos Atari. Para problemas simples, 10.000 a 100.000 transições são suficientes.
Hiperparâmetros e fórmulas matemáticas
Os hiperparâmetros do replay buffer incluem tamanho máximo e batch size. Tamanhos típicos são 10.000 a 1.000.000. O batch size usual é 32, 64 ou 128. A perda é calculada como \( L(θ) = \frac{1}{|B|} \sum_{(s,a,r,s’) \in B} (r + \gamma \max_{a’} Q(s’,a’;θ^-) – Q(s,a;θ))^2 \). Aqui B é o mini-batch amostrado. O gradiente descendente é aplicado após cada amostragem.
A taxa de aprendizado α é tipicamente 0.00025 para Adam. O fator de desconto γ é 0.99. A rede alvo é atualizada a cada C passos (ex: 1000). Ou usamos soft update com τ=0.001. O buffer é inicializado vazio. Durante os primeiros passos, apenas coletamos experiências. Depois, começamos o treinamento com replay. Essa é a fase de warmup.
Exemplo clássico: CartPole com análise do replay
Considere o ambiente CartPole com estado contínuo. O DQN com Experience Replay é treinado por 500 episódios. O buffer armazena as últimas 10.000 transições. O código abaixo mostra o impacto do replay. Ele visualiza o tamanho do buffer e a frequência de uso das experiências. Gráficos mostram como o replay melhora a estabilidade e convergência.
|
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 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 |
import numpy as np import matplotlib.pyplot as plt import random from collections import deque import time from tqdm import tqdm from IPython.display import clear_output # Tentar importar gym try: import gym except ImportError: import subprocess subprocess.check_call(['pip', 'install', 'gym']) import gym # Verifica PyTorch try: import torch import torch.nn as nn import torch.optim as optim except ImportError: import subprocess subprocess.check_call(['pip', 'install', 'torch']) import torch import torch.nn as nn import torch.optim as optim import warnings warnings.filterwarnings('ignore') print("=" * 70) print("DQN com EXPERIENCE REPLAY - CART POLE") print("=" * 70) # ============================================ # REDE NEURAL DO DQN # ============================================ class RedeDQN(nn.Module): def __init__(self, n_entradas, n_saidas): super(RedeDQN, self).__init__() self.fc1 = nn.Linear(n_entradas, 24) self.fc2 = nn.Linear(24, 24) self.fc3 = nn.Linear(24, n_saidas) def forward(self, x): x = torch.relu(self.fc1(x)) x = torch.relu(self.fc2(x)) return self.fc3(x) # ============================================ # AGENTE DQN COM EXPERIENCE REPLAY # ============================================ class DQNAgente: def __init__(self, n_estados, n_acoes, gamma=0.95, epsilon=1.0, epsilon_min=0.01, epsilon_decay=0.995, learning_rate=0.001, batch_size=32, buffer_tamanho=10000, tau=0.01, device='cpu'): self.n_estados = n_estados self.n_acoes = n_acoes self.gamma = gamma self.epsilon = epsilon self.epsilon_min = epsilon_min self.epsilon_decay = epsilon_decay self.batch_size = batch_size self.tau = tau self.device = device # Redes neurais self.model = RedeDQN(n_estados, n_acoes).to(device) self.target_model = RedeDQN(n_estados, n_acoes).to(device) self.optimizer = optim.Adam(self.model.parameters(), lr=learning_rate) self.atualizar_target() # Experience Replay Buffer self.buffer = deque(maxlen=buffer_tamanho) self.buffer_tamanho_max = buffer_tamanho # Métricas self.losses = [] self.tamanho_buffer = [] def atualizar_target(self): self.target_model.load_state_dict(self.model.state_dict()) def soft_update_target(self): for target_param, online_param in zip(self.target_model.parameters(), self.model.parameters()): target_param.data.copy_(self.tau * online_param.data + (1 - self.tau) * target_param.data) def lembrar(self, estado, acao, recompensa, prox_estado, terminou): """Armazena experiência no buffer de replay""" self.buffer.append((estado, acao, recompensa, prox_estado, terminou)) self.tamanho_buffer.append(len(self.buffer)) def escolher_acao(self, estado): if np.random.random() < self.epsilon: return random.randrange(self.n_acoes) estado_tensor = torch.FloatTensor(estado).unsqueeze(0).to(self.device) with torch.no_grad(): q_vals = self.model(estado_tensor).cpu().numpy()[0] return np.argmax(q_vals) def replay(self): """Amostra batch aleatório do buffer e treina a rede""" if len(self.buffer) < self.batch_size: return 0 # Amostragem uniforme do buffer batch = random.sample(self.buffer, self.batch_size) estados = [] alvos = [] for estado, acao, recompensa, prox_estado, terminou in batch: estado_tensor = torch.FloatTensor(estado).unsqueeze(0).to(self.device) q_atual = self.model(estado_tensor).cpu().detach().numpy()[0] if terminou: q_atual[acao] = recompensa else: prox_tensor = torch.FloatTensor(prox_estado).unsqueeze(0).to(self.device) with torch.no_grad(): q_futuro = self.target_model(prox_tensor).cpu().numpy()[0] q_atual[acao] = recompensa + self.gamma * np.max(q_futuro) estados.append(estado) alvos.append(q_atual) # Treina a rede estados_tensor = torch.FloatTensor(np.array(estados)).to(self.device) alvos_tensor = torch.FloatTensor(np.array(alvos)).to(self.device) self.optimizer.zero_grad() saidas = self.model(estados_tensor) loss = nn.MSELoss()(saidas, alvos_tensor) loss.backward() self.optimizer.step() # Soft update da target network self.soft_update_target() self.losses.append(loss.item()) return loss.item() def decair_epsilon(self): self.epsilon = max(self.epsilon_min, self.epsilon * self.epsilon_decay) def get_taxa_uso_buffer(self): """Calcula quantas vezes cada experiência foi usada em média""" if len(self.buffer) == 0: return 0 # Estima que cada experiência é usada ~batch_size/len(buffer) vezes por passo return self.batch_size / len(self.buffer) # ============================================ # FUNÇÕES AUXILIARES # ============================================ def reset_env(env): resultado = env.reset() if isinstance(resultado, (tuple, list)): return resultado[0] return resultado def step_env(env, acao): resultado = env.step(acao) if len(resultado) == 4: return resultado[0], resultado[1], resultado[2], resultado[3] return resultado[0], resultado[1], resultado[2], resultado[3] # ============================================ # TREINAMENTO # ============================================ print("\n" + "=" * 70) print("TREINAMENTO COM EXPERIENCE REPLAY") print("=" * 70) # Cria ambiente env = gym.make('CartPole-v1') n_acoes = env.action_space.n n_estados = env.observation_space.shape[0] device = 'cuda' if torch.cuda.is_available() else 'cpu' print(f"\n📊 Configuração:") print(f" - Estados: {n_estados}") print(f" - Ações: {n_acoes}") print(f" - Device: {device}") print(f" - Buffer size: 10.000 transições") print(f" - Batch size: 32") # Hiperparâmetros episodios = 400 passos_maximos = 500 # Inicializa agente agente = DQNAgente( n_estados=n_estados, n_acoes=n_acoes, gamma=0.95, epsilon=1.0, epsilon_min=0.01, epsilon_decay=0.995, learning_rate=0.001, batch_size=32, buffer_tamanho=10000, tau=0.01, device=device ) # Armazena métricas recompensas_episodio = [] passos_por_episodio = [] tamanho_buffer_episodio = [] print("\n🚀 Treinando...\n") with tqdm(total=episodios, desc="Episódios", unit="ep", ncols=80, mininterval=0.5, bar_format='{l_bar}{bar}| {n_fmt}/{total_fmt} [{elapsed}<{remaining}]') as pbar: for ep in range(episodios): estado = reset_env(env) recompensa_total = 0 passos = 0 for passo in range(passos_maximos): acao = agente.escolher_acao(estado) prox_estado, recompensa, terminou, _ = step_env(env, acao) agente.lembrar(estado, acao, recompensa, prox_estado, terminou) estado = prox_estado recompensa_total += recompensa passos += 1 # Replay a cada passo loss = agente.replay() if terminou: break recompensas_episodio.append(recompensa_total) passos_por_episodio.append(passos) tamanho_buffer_episodio.append(len(agente.buffer)) agente.decair_epsilon() if (ep + 1) % 20 == 0: media_recomp = np.mean(recompensas_episodio[-20:]) pbar.set_postfix({'Recomp': f'{media_recomp:.1f}', 'Buffer': f'{len(agente.buffer)}', 'ε': f'{agente.epsilon:.3f}'}) pbar.update(20) elif ep == 0: pbar.update(1) print("\n✅ Treinamento concluído!") # ============================================ # AVALIAÇÃO # ============================================ print("\n" + "=" * 70) print("AVALIAÇÃO DO AGENTE") print("=" * 70) def avaliar_agente(agente, n_testes=20): epsilon_original = agente.epsilon agente.epsilon = 0 recompensas_teste = [] for _ in range(n_testes): estado = reset_env(env) recompensa_total = 0 terminou = False while not terminou: acao = agente.escolher_acao(estado) estado, recompensa, terminou, _ = step_env(env, acao) recompensa_total += recompensa recompensas_teste.append(recompensa_total) agente.epsilon = epsilon_original return np.mean(recompensas_teste) media_teste = avaliar_agente(agente) print(f"\n🏆 Média de recompensa em testes: {media_teste:.1f}") # ============================================ # GRÁFICOS # ============================================ print("\n📊 Gerando gráficos...") plt.figure(figsize=(14, 10)) # Gráfico 1: Evolução das recompensas plt.subplot(2, 2, 1) plt.plot(recompensas_episodio, 'b-', linewidth=0.5, alpha=0.5) window = 20 media_recomp = np.convolve(recompensas_episodio, np.ones(window)/window, mode='valid') plt.plot(media_recomp, 'r-', linewidth=2, label=f'Média {window}') plt.xlabel('Episódio') plt.ylabel('Recompensa') plt.title('DQN: Evolução do Aprendizado') plt.legend() plt.grid(True, alpha=0.3) plt.axhline(y=475, color='g', linestyle='--', label='Solução') plt.legend() # Gráfico 2: Tamanho do buffer de replay plt.subplot(2, 2, 2) plt.plot(tamanho_buffer_episodio, 'purple', linewidth=1.5) plt.xlabel('Episódio') plt.ylabel('Tamanho do Buffer') plt.title('Experience Replay: Preenchimento do Buffer') plt.grid(True, alpha=0.3) plt.axhline(y=10000, color='r', linestyle='--', label='Capacidade máxima') plt.legend() # Gráfico 3: Perda (loss) durante treinamento plt.subplot(2, 2, 3) if len(agente.losses) > 0: losses_smooth = np.convolve(agente.losses, np.ones(100)/100, mode='valid') plt.plot(losses_smooth, 'orange', linewidth=1.5) plt.xlabel('Passo de treino (x100)') plt.ylabel('Perda (MSE)') plt.title('Evolução da Perda da Rede') plt.grid(True, alpha=0.3) plt.yscale('log') # Gráfico 4: Eficiência do Replay plt.subplot(2, 2, 4) taxa_replay = [agente.batch_size / max(b, 1) for b in tamanho_buffer_episodio] plt.plot(taxa_replay, 'green', linewidth=1.5) plt.xlabel('Episódio') plt.ylabel('Taxa de amostragem') plt.title('Frequência de Reuso das Experiências') plt.grid(True, alpha=0.3) plt.axhline(y=0.5, color='r', linestyle='--', label='Cada experiência usada a cada 2 treinos') plt.legend() plt.tight_layout() plt.show() # ============================================ # ANÁLISE DO IMPACTO DO REPLAY # ============================================ print("\n" + "=" * 70) print("EXPERIMENTO: COMPARAÇÃO COM E SEM REPLAY") print("=" * 70) # Treina um agente SEM replay para comparação class DQNAgenteSemReplay: """DQN sem experience replay (treina a cada passo com última experiência)""" def __init__(self, n_estados, n_acoes, gamma=0.95, epsilon=1.0, epsilon_min=0.01, epsilon_decay=0.995, learning_rate=0.001, device='cpu'): self.n_estados = n_estados self.n_acoes = n_acoes self.gamma = gamma self.epsilon = epsilon self.epsilon_min = epsilon_min self.epsilon_decay = epsilon_decay self.device = device self.model = RedeDQN(n_estados, n_acoes).to(device) self.target_model = RedeDQN(n_estados, n_acoes).to(device) self.optimizer = optim.Adam(self.model.parameters(), lr=learning_rate) self.atualizar_target() self.ultima_transicao = None self.losses = [] def atualizar_target(self): self.target_model.load_state_dict(self.model.state_dict()) def lembrar(self, estado, acao, recompensa, prox_estado, terminou): self.ultima_transicao = (estado, acao, recompensa, prox_estado, terminou) def escolher_acao(self, estado): if np.random.random() < self.epsilon: return random.randrange(2) estado_tensor = torch.FloatTensor(estado).unsqueeze(0).to(self.device) with torch.no_grad(): q_vals = self.model(estado_tensor).cpu().numpy()[0] return np.argmax(q_vals) def replay(self): if self.ultima_transicao is None: return 0 estado, acao, recompensa, prox_estado, terminou = self.ultima_transicao estado_tensor = torch.FloatTensor(estado).unsqueeze(0).to(self.device) q_atual = self.model(estado_tensor).cpu().detach().numpy()[0] if terminou: q_atual[acao] = recompensa else: prox_tensor = torch.FloatTensor(prox_estado).unsqueeze(0).to(self.device) with torch.no_grad(): q_futuro = self.target_model(prox_tensor).cpu().numpy()[0] q_atual[acao] = recompensa + self.gamma * np.max(q_futuro) estado_tensor = torch.FloatTensor(np.array([estado])).to(self.device) alvo_tensor = torch.FloatTensor(np.array([q_atual])).to(self.device) self.optimizer.zero_grad() saidas = self.model(estado_tensor) loss = nn.MSELoss()(saidas, alvo_tensor) loss.backward() self.optimizer.step() self.losses.append(loss.item()) return loss.item() def decair_epsilon(self): self.epsilon = max(self.epsilon_min, self.epsilon * self.epsilon_decay) # Treina agente sem replay print("\n🚀 Treinando agente SEM REPLAY (para comparação)...") agente_sem_replay = DQNAgenteSemReplay(n_estados, n_acoes, device=device) recompensas_sem_replay = [] for ep in range(200): # Menos episódios pois tende a divergir estado = reset_env(env) recompensa_total = 0 terminou = False while not terminou: acao = agente_sem_replay.escolher_acao(estado) prox_estado, recompensa, terminou, _ = step_env(env, acao) agente_sem_replay.lembrar(estado, acao, recompensa, prox_estado, terminou) agente_sem_replay.replay() estado = prox_estado recompensa_total += recompensa recompensas_sem_replay.append(recompensa_total) agente_sem_replay.decair_epsilon() if (ep + 1) % 50 == 0: print(f" Ep {ep+1}: Recompensa = {recompensa_total}") # Gráfico comparativo plt.figure(figsize=(12, 5)) plt.subplot(1, 2, 1) plt.plot(recompensas_episodio[:200], 'b-', alpha=0.5, label='Com Experience Replay') plt.plot(recompensas_sem_replay, 'r-', alpha=0.5, label='Sem Experience Replay') media_com = np.convolve(recompensas_episodio[:200], np.ones(20)/20, mode='valid') media_sem = np.convolve(recompensas_sem_replay, np.ones(20)/20, mode='valid') plt.plot(media_com, 'b-', linewidth=2) plt.plot(media_sem, 'r-', linewidth=2) plt.xlabel('Episódio') plt.ylabel('Recompensa') plt.title('Comparação: Com vs Sem Experience Replay') plt.legend() plt.grid(True, alpha=0.3) plt.subplot(1, 2, 2) plt.plot(agente.losses[:5000], 'b-', alpha=0.5, label='Com Replay') plt.plot(agente_sem_replay.losses[:5000], 'r-', alpha=0.5, label='Sem Replay') plt.xlabel('Passo de treino') plt.ylabel('Perda') plt.title('Estabilidade da Perda') plt.legend() plt.grid(True, alpha=0.3) plt.yscale('log') plt.tight_layout() plt.show() print("\n" + "=" * 70) print("CONCLUSÃO DO EXPERIMENTO") print("=" * 70) print(f""" ✅ Experience Replay é essencial para estabilidade do DQN. ✅ O buffer atingiu {len(agente.buffer)}/{agente.buffer_tamanho_max} transições. ✅ Cada experiência foi usada em média {agente.batch_size / max(len(agente.buffer),1):.2f}x por passo. ✅ O agente com replay convergiu para {media_teste:.1f} pontos. ✅ O agente sem replay divergiu ou teve desempenho muito inferior. """) # ============================================ # EXPLICAÇÃO MATEMÁTICA # ============================================ print("\n" + "=" * 70) print("FUNDAMENTOS DO EXPERIENCE REPLAY") print("=" * 70) print(""" ✅ O PROBLEMA DAS CORRELAÇÕES TEMPORAIS: Experiências consecutivas (s_t, a_t, r_t, s_{t+1}) são altamente correlacionadas. Isso viola a suposição de i.i.d. (independentes e identicamente distribuídas) do gradiente descendente estocástico. ✅ SOLUÇÃO: EXPERIENCE REPLAY Armazenamos transições em um buffer D = {e_1, e_2, ..., e_N}. Amostramos mini-batch uniformemente: B ~ U(D). Isso quebra correlações temporais. ✅ FÓRMULA DA PERDA COM REPLAY: [latex] L(θ) = \\frac{1}{|B|} \\sum_{(s,a,r,s') \\in B} (r + \\gamma \\max_{a'} Q(s',a';θ^-) - Q(s,a;θ))^2 [/latex] ✅ HIPERPARÂMETROS DO REPLAY: • Tamanho do buffer (N): 10.000 a 1.000.000 • Batch size (|B|): 32 a 128 • Frequência de amostragem: a cada passo • Warmup: coletar N experiências antes de treinar ✅ VANTAGENS DO EXPERIENCE REPLAY: 1. QUEBRA CORRELAÇÕES: Amostragem aleatória remove dependência temporal 2. MAIOR EFICIÊNCIA AMOSTRAL: Cada experiência usada múltiplas vezes 3. APRENDIZADO OFFLINE: Pode revisitar experiências passadas 4. ESTABILIDADE: Reduz variância do gradiente 5. REUSO DE DADOS: Experiências caras são reaproveitadas ✅ VARIAÇÕES AVANÇADAS: • Prioritized Experience Replay: Amostra experiências com maior erro TD • Hindsight Experience Replay (HER): Para recompensas esparsas • N-step Replay: Usa n passos para calcular alvo """) print("\n" + "=" * 70) print("CONCLUSÃO FINAL") print("=" * 70) print(""" ✅ Experience Replay é um dos pilares do DQN. ✅ Sem ele, o aprendizado é instável e frequentemente diverge. ✅ O buffer permite reuso eficiente de experiências caras. ✅ A amostragem aleatória quebra correlações temporais. ✅ O DQN com replay resolveu o CartPole consistentemente. O Experience Replay é usado em praticamente todos algoritmos modernos de RL profundo (DQN, DDQN, SAC, etc.). """) print("\n✅ PROGRAMA CONCLUÍDO COM SUCESSO!") |