福寿年高估价互连网

Q-Learning,学习Action对应期待值(Expected
Utility卡塔尔国。1989年,Watkins建议。收敛性,1993年,Watkins和Dayan协同验证。学习期待价值,今后时此刻一步到独具继续手续,总希望拿到最大价值(Q值、Value卡塔尔。Action->Q函数,最好战略,在每种state下,选取Q值最高的Action。不信任意况模型。有限Marco夫决策进程(Markov
Dectision Process卡塔尔国 ,Q-Learning被认证最后得以找到最优政策。

Q-Learning指标,求解函数Q(st,at卡塔尔,根据当前境况气象,猜测Action期待价值。Q-Learning练习模型,以(状态、行为、奖励、下一动静卡塔尔国构成元组(st,at,rt+1,st+1卡塔尔国样品练习,st当前景观,at当前途象下履行action,rt+1实施Action后获取褒奖,st+1下黄金年代意况,(当前情形,行动,奖赏,下大器晚成情状卡塔尔。特征(st,at卡塔尔(英语:State of Qatar)。学习指标(期待价值卡塔尔rt+1+γ·maxaQ(st+1,a卡塔尔(قطر‎,当前Action获得Reward,加下一步可收获最大期待价值,当前状态行动奖励,加下一场地行动最大梦想价值。学习目的富含Q-Learning函数本身,递归求解。下一步可获最大期望价值乘γ(衰减周密discount
factor卡塔尔(قطر‎,今后奖赏的就学权重。discount factor
0,模型学习不到其余现在嘉勉音信,变短视,只关怀眼下实惠。discount factor
>=
1,算法大概超级小概磨灭,期待价值不断足够未有衰减(discount卡塔尔(英语:State of Qatar),期待价值发散。discount
factor平日比1稍小。Qnew(st,at卡塔尔<-(1-α卡塔尔(قطر‎·Qold(st,at卡塔尔(英语:State of Qatar)+α·(rt+1+γ·maxaQ(st+1,a卡塔尔(英语:State of Qatar)卡塔尔国,Q-Learning学习进程式子。旧Q-Learning函数Qold(st,at卡塔尔(英语:State of Qatar),向学习指标(当前拿走Reward加下一步可获得最大梦想价值卡塔尔国,按异常的小学习速率α学习,拿到新Q-Learning函数Qnew(st,at卡塔尔(قطر‎。学习速率决定新得到样板新闻覆盖率前左右到新闻比率,经常设很小值,保障学习进程稳固,确定保证最终收敛性。Q-Learning需求初阶值Q0,相比较高早先值,激励模型多探求。

读书Q-Learning模型用神经互连网,拿到模型是价值评估网络。用相比深的神经网络,正是DQN。GoogleDeepMind,《Nature》杂文,《Human-level control through deep
reinforcement
learning》建议。DeepMind用DQN创立达到规定的标准人类行家水平玩Atari2600连串游戏Agent。

state of the art DQN
Trick。第一个Trick。DQN引进卷积层。模型通过Atari游戏录像图像理解意况新闻并学习战术。DQN须求精通选择图像,具备图像识别本事。卷积神经互连网,利用可领取空间组织消息卷积层收取特征。卷积层提取图像中要害指标特征传给后层做分类、回归。DQN用卷积层做加强学习练习,依据条件图像输出决策。

第3个Trick。Experience Replay。深度学习要求大量样书,守旧Q-Learning
online
update方法(逐大器晚成对新样品学习卡塔尔国不符合DQN。增大样板,八个epoch训练,图像一再使用。Experience
Replay,积存Agent
Experience样品,每一遍练习随机收取部分样书供互连网学习。牢固形成学习职责,制止短视只学习最新接触样板,综合一再使用过往多量样书学习。成立积存Experience缓存buffer,储存一定量较新样板。体积满了,用新样板替换最旧样板,保险超过一半样板周边可能率被抽到。不替换旧样品,训练进程被抽到可能率长久比新样品高超级多。每一趟供给练习样品,直接从buffer随机收取一定量给DQN锻练,保持样板高利用率,让模型学习到较新样品。

其八个Trick。用第二个DQN互连网扶植练习,target
DQN,援中国人民救济总会计目的Q值,提供就学目的公式里的maxaQ(st+1,a卡塔尔(英语:State of Qatar)。四个网络,一个制作学习指标,三个实际上锻练,让Q-Learning演习目的保持平静。深化学习
Q-Learning学习目的每一趟改造,学习指标分公司是模型自身输出,每一回换代模型参数会造成学习目的转移,更新往往幅度大,操练进程会非常不地西泮、失控,DQN操练会陷入目的Q值与忖度Q值反馈循环(陷入颠簸发散,难消失卡塔尔(قطر‎。须求安静target
DQN扶植互联网总计目的Q值。target
DQN,低频率、缓慢学习,输出目的Q值波动超小,减小锻练进程影响。

第二个Trick。Double DQN。DeepMind 《Deep Reinforcement Learning with
Double Q-Learning》。守旧DQN高估Action
Q值,高估不均匀,引致次优Action被高估抢先最优Action。target DQN
担当生成指标Q值,头阵生Q(st+1,a卡塔尔(英语:State of Qatar),再通过maxa选取最大Q值。Double
DQN,在主DQN上经过最大Q值采用Action,再拿走Action在target DQN
Q值。主网选择Action,targetDQN生成Action
Q值。被增选Q值,不料定总是最大,制止被高估次优Action总是超越最优Action,引致开采不了真正最棒Action。学习目标公式:Target=rt+1+γ·Qtarget(st+1,argmaxa(Qmain(st+1,a卡塔尔卡塔尔国卡塔尔(قطر‎。

第5个Trick。Dueling DQN。Google 《Dueling Network Architectures for Deep
Reinforcement Learning》。Dueling
DQN,Q值函数Q(st,at卡塔尔(قطر‎拆分,大器晚成都部队分静态情状气象有所价值V(st卡塔尔(英语:State of Qatar),Value;另意气风发部分动态选择Action额外带来价值A(at卡塔尔国,Advantage。公式,Q(st,at卡塔尔(英语:State of Qatar)=V(st卡塔尔(قطر‎+A(at卡塔尔。互联网独家总结情状Value和挑选Action
Advantage。Advantage,Action与此外Action相比,零均值。网络最终,不再直接输出Action数量Q值,输出三个Value,及Action数量
Advantage值。V值分别加到各样Advantage值上,得最终结果。让DQN学习指标更醒目,假诺当早先时代望价值首要由蒙受气象调控,Value值大,全部Advantage波动十分的小;要是愿意价值重要由Action决定,Value值小,Advantage波动大。分解让学习指标更安定、正确,DQN对环境气象估摸技术更加强。

贯彻带Trick DQN。使命意况GridWorld导航类水言纟工。GridWorld包含多少个hero,4个goal,2个fire。调整hero移动,每回向上、下、左、右方向运动一步,多触碰goal(表彰值1卡塔尔,避开fire(奖赏值-1卡塔尔(قطر‎。游戏指标,限度步数内得到最多分数。Agent
直接通过GridWorld图像学习决定hero移动最优政策。

创造GridWorld职务情形。载入信赖库,itertools迭代操作,scipy.misc、matplotlib.pyplot绘图,练习时间长,os定期积存模型文件。

始建意况内物体对象class。意况物体属性,coordinates(x,y坐标卡塔尔国、size(尺寸卡塔尔(قطر‎、intensity(亮度值卡塔尔(قطر‎、channel(CR-VGB颜色通道卡塔尔国、reward(奖赏值卡塔尔(قطر‎、name(名称卡塔尔。

始建GridWorld遭逢class,初叶化方法只传入参数遇到size。境况长、宽为输入size,遭逢Action
Space设4,伊始化意况物体对象列表。self.reset(卡塔尔(英语:State of Qatar)方法重新设置境况,获得起头observation(GridWorld图像卡塔尔(قطر‎,plt.imshow显示observation。

概念情形reset方法。成立全体GridWorld物体,1个hero(顾客调节指标卡塔尔国、4个goal(reward
1卡塔尔、2个fire(reward
-1卡塔尔,增添到实体对象列表self.objects。self.newPosition(卡塔尔(英语:State of Qatar)成立物体地方,随机筛选未有被挤占新岗位。物有物体size、intensity
1,hero channel 2(杏红卡塔尔,goal channel 1(肉桂色卡塔尔,fire channel
0(浅莲灰卡塔尔国。self.renderEnv(卡塔尔(قطر‎绘制GridWorld图像,state。

贯彻移动大侠剧中人物方法,传入值0、1、2、3多少个数字,分别代表上、下、左、右。函数依照输入操作大侠移动。假使运动该方向会招致英豪出界,不会开展别的活动。

概念newPosition方法,采纳二个跟现成物体不冲突地方。itertools.product方法得到多少个变量全部组成,创制蒙受size允许持有职位集结points,获取如今享有物体地点会集currentPositions,从points去掉currentPositions,剩下可用地方。np.random.choice随机抽出二个可用地点重回。

定义checkGoal函数。检查hero是还是不是触碰goal、fire。从objects获取hero,别的实体对象放置others列表。编历others列表,假使物体和坐标与hero完全风姿罗曼蒂克致,判定触碰。依照触碰物体销毁,self.newPosition(卡塔尔(英语:State of Qatar)方法在率性地方再度生成物体,再次回到物体reward值(goal
1,fire -1卡塔尔国。

开创长宛size+2、颜色通道数 3
图片。开始值全1,代表全藤黄。最外侧内部像素颜色值全体赋0,代表黄铜色。遍历物体对象列表self.objects,设置物体亮度值。scipy.misc.imresize将图像从原始大小resize
84x84x3尺寸,符合规律游玩图像尺寸。

概念GridWorld意况举办一步Action方法。输入参数Action,self.moveChart(action卡塔尔国移动hero地方,self.checkGoal(卡塔尔(英语:State of Qatar)检测hero是不是触碰物体,得到reward、done标志。self.renderEnv获取情状图像state,重回state、reward、done。

调用gameEnv类伊始化方法,设置size
5,创设5×5大小GridWorld景况,每一次成立GridWorld意况随机变化。小尺寸情形相对轻易学习,大尺寸较难,操练时间更加长。

设计DQN(Deep
Q-Network卡塔尔国网络。使用卷积层,能够直接从情形原始像素学习计策。输入scalarInput,扁平化长为84x84x3=21168向量,恢复成[-1,84,84,3]尺寸图片ImageIn。tf.contrib.layers.convolution2d创造第二个卷积层,卷积核尺寸8×8,步长4×4,输出通道数(filter数量卡塔尔32,padding模型VALID,bias起头化器空。用4×4上涨的幅度和VALID模型padding,第1层卷积输出维度20x20x32。第2层卷积尺寸4×4,步长2×2,输出通道数64,输出维度9x9x64。第3层卷积尺寸3×3,步长1×1,输出通道数64,输出维度7x7x64。第4层卷积尺寸7×7,步长1×1,输出通道数512,空间尺寸只允许在三个地方卷积,,输出维度1x1x512。

tf.split(卡塔尔,第三个卷积层输出conv4平均拆分两段,streamAC、streamVC,Dueling
DQN Advantage Function(Action带给的价值卡塔尔和Value
Function(情状本人价值卡塔尔。tf.split函数第2参数代表要拆分成几段。第3参数代表要拆分多少个维度。tf.contrib.layers.flatten将streamAC和streamVC转遍平的steamA和steamV。创设streamA和streamV线性全连接层参数AW和VW。tf.random_normal开头化权重,tf.matmul做全连接层矩阵乘法,拿到self.Advantage和self.Value。Advantage针对Action,输出数量为Action数量。Value针对情状统生机勃勃的,输出数量
1。Q值由Value、advantage复合成,Value加上收缩均值Advantage。Advantage减去均值操作
tf.subtract,均值总计tf.reduce_mean函数(reduce_indices
1,代表Action数量维度卡塔尔(قطر‎。最终输出Action,Q值最大Action,tf.argmax。

概念Double
DQN指标Q值targetQ输入placeholder,Agent动作actions输入placeholder。总计目的Q值,action由主DQN选拔,Q值由协理target
DQN生成。总括预测Q值,scalar格局actions转onehot编码格局,主DQN生成的Qout乘以actions_onehot,得预测Q值(Qout和actions都源于主DQN卡塔尔(英语:State of Qatar)。

定义loss,tf.square、tf.reduce_mean总计targetQ和Q均方偶然误差,学习速率1e-4
Adam优化器优化预测Q值和对象Q值偏差。

实现Experience Replay策略。定义experience_buffer
class。初叶化定义buffer_size存储样品最大体积,创设buffer列表。定义向经buffer添新币素方法。固然超过buffer最大体量,清空最初样品,列表末尾加多新成分。定义样品抽样方式,用random.sample(卡塔尔国函数随机收取一定数额样品。

概念84x84x3 states扁平化 1维向量函数processState,方便后边积聚样板。

updateTargetGraph函数,更新target DQN模型参数(主DQN用DQN class
self.updateModel方法立异模型参数卡塔尔(英语:State of Qatar)。输入变量tfVars,TensorFlow
Graph全部参数。tau,target
DQN向主DQN学习的速率。函数updateTargetGraph取tfVars前五成参数,主DQN模型参数。再令扶助targetDQN参数朝向主DQN参数前行异常的小比例(tau,0.001卡塔尔国,target
DQN缓慢学习主DQN。练习时,指标Q值不能在若干回迭代间波动太大,练习特别不平静、失控,陷入目的Q值和预测Q值反馈循环。要求安静目的Q值练习网络,缓慢学习target
DQN互连网出口目的Q值,主网络优化指标Q值和眺望Q值间loss,target
DQN跟随主DQN缓慢学习。函数updateTargetGraph创立纠正target
DQN模型参数操作,函数updateTarget施行操作。

DQN互连网训练进度参数。batch_size,每一趟从experience
buffer获取样品数,32。更新频率update_freq,每间距多少step试行三回模型参数更新,4。Q值衰减全面(discount
factor卡塔尔(英语:State of Qatar)γ,0.99。startE开头奉行随机Action可能率。endE最后施行随机Action可能率。anneling_steps从上马随机可能率降低到最后随机可能率所需步数。num_episodes总共多少次GridWorld境遇试验。pre_train_steps正式用DQN接收Action前行行多少步随机Action测验。max_epLength每种episode进行多少步Action。load_model是还是不是读取早先练习模型。path模型积累路线。h_size是DQN网络最终全连接层隐含节点数。tau是target
DQN向主DQN学习速率。

Qnetwork类早先化mainQN和帮助targetQN。早先化全部模型参数。trainables获取具备可操练参数。updateTargetGraph创设修改target
DQN模型参数操作。

experience_buffer成立experience replay
class,设置当前随机Action概率e,总括e每一步衰减值stepDrop。最先化储存每一种episode的reward列表rList,总步数total_steps。创造模型操练保存器(Saver卡塔尔(قطر‎检查保存目录是或不是留存。

创办暗许Session,若是load_model标志True,检查模型文件路线checkpoint,读取载入已保存模型。试行参数发轫化操作,实施更新targetQN模型参数操作。创制GridWorld试验循环,创立每种episode内部experience_buffer,内部buffer不参加当前迭代替练习练,练习只使用此前episode样品。早先化情状得第五个碰到消息s,processState(卡塔尔(قطر‎函数扁平化。开首化暗许done标志d、episode内总reward值rAll、episode内步数j。

成立内层循环,每趟迭代执行Action。总步数紧跟于pre_train_steps,强制用随机Action,只从随机Action学习,不压实进度。达到pre_train_steps,保留十分的小可能率随机筛选Action。不随机选择Action,传入当前状态s给主DQN,预测拿到应有实行Action。env.step(卡塔尔(英语:State of Qatar)推行一步Action,获得接下来事态s1、reward、done标志。processState对s1扁平化处理,s、a、r、s1、d传入episodeBuffer存款和储蓄。

总步数超过pre_train_steps,持续下滑随机采取Action可能率e,直到最低值endE。每当总步数到达update_freq整数部,举行叁次练习,模型参数更新。从myBuffer中sample出多个batch_size样板。操练样品第3列音信,下风姿罗曼蒂克情景s1,传入mainQN,实施main.predict,获得主模型选用Action。s1传播帮助targetQN,获得s1状态下有所Action的Q值。mainQN输出Action
,接受targetQN输出Q,得到doubleQ。多个DQN互联网把挑选Action和出口Q值多个操作分隔开分离,Double
DQN。锻练样品第2列消息,当前reward,加doubleQ乘以衰减周到γ,得到学习目的targetQ。传入当前状态s,学习目的targetQ和实在利用Action,推行updateTarget函数,试行targetQN模型参数更新(缓慢向mainQN学习卡塔尔。完整完毕一回练习进度。每一个step截止,累积当前那步获取reward,更新当前场合为下一步试验做筹划。假使done标识为True,间接中断episode试验。

episode内部episodeBuffer加多到myBuffer,作今后锻练抽样数据集。当前episode
reward加多到rList。每二十五个episode展示平均reward值。每1000个episode或任何教练成功,保存当前模型。

始于200个episode内,完全随机Action的前10000步内,平均能够得到reward在2西濒,幼功baseline。

演练最终episode输出,平均reward 22,异常的大提高。

计算每玖十九个episode平均reward,plt.plot展现reward变化趋向。从第1000个episode初始,reward火速提高,到第4000个episode基本达到尖峰,后边进去平台期,升高十分小。

    import numpy as np
    import random
    import tensorflow as tf
    import os
    %matplotlib inline
    from gridworld import gameEnv
    env = gameEnv(size=5)
    class Qnetwork():
        def __init__(self,h_size):
            #The network recieves a frame from the game, flattened into an array.
            #It then resizes it and processes it through four convolutional layers.
            self.scalarInput =  tf.placeholder(shape=[None,21168],dtype=tf.float32)
            self.imageIn = tf.reshape(self.scalarInput,shape=[-1,84,84,3])
            self.conv1 = tf.contrib.layers.convolution2d( \
                inputs=self.imageIn,num_outputs=32,kernel_size=[8,8],stride=[4,4],padding='VALID', biases_initializer=None)
            self.conv2 = tf.contrib.layers.convolution2d( \
                inputs=self.conv1,num_outputs=64,kernel_size=[4,4],stride=[2,2],padding='VALID', biases_initializer=None)
            self.conv3 = tf.contrib.layers.convolution2d( \
                inputs=self.conv2,num_outputs=64,kernel_size=[3,3],stride=[1,1],padding='VALID', biases_initializer=None)
            self.conv4 = tf.contrib.layers.convolution2d( \
                inputs=self.conv3,num_outputs=512,kernel_size=[7,7],stride=[1,1],padding='VALID', biases_initializer=None)

            #We take the output from the final convolutional layer and split it into separate advantage and value streams.
            self.streamAC,self.streamVC = tf.split(self.conv4,2,3)
            self.streamA = tf.contrib.layers.flatten(self.streamAC)
            self.streamV = tf.contrib.layers.flatten(self.streamVC)
            self.AW = tf.Variable(tf.random_normal([h_size//2,env.actions]))
            self.VW = tf.Variable(tf.random_normal([h_size//2,1]))
            self.Advantage = tf.matmul(self.streamA,self.AW)
            self.Value = tf.matmul(self.streamV,self.VW)

            #Then combine them together to get our final Q-values.
            self.Qout = self.Value + tf.subtract(self.Advantage,tf.reduce_mean(self.Advantage,reduction_indices=1,keep_dims=True))
            self.predict = tf.argmax(self.Qout,1)

            #Below we obtain the loss by taking the sum of squares difference between the target and prediction Q values.
            self.targetQ = tf.placeholder(shape=[None],dtype=tf.float32)
            self.actions = tf.placeholder(shape=[None],dtype=tf.int32)
            self.actions_onehot = tf.one_hot(self.actions,env.actions,dtype=tf.float32)

            self.Q = tf.reduce_sum(tf.multiply(self.Qout, self.actions_onehot), reduction_indices=1)

            self.td_error = tf.square(self.targetQ - self.Q)
            self.loss = tf.reduce_mean(self.td_error)
            self.trainer = tf.train.AdamOptimizer(learning_rate=0.0001)
            self.updateModel = self.trainer.minimize(self.loss)

    class experience_buffer():
        def __init__(self, buffer_size = 50000):
            self.buffer = []
            self.buffer_size = buffer_size

        def add(self,experience):
            if len(self.buffer) + len(experience) >= self.buffer_size:
                self.buffer[0:(len(experience)+len(self.buffer))-self.buffer_size] = []
            self.buffer.extend(experience)

        def sample(self,size):
            return np.reshape(np.array(random.sample(self.buffer,size)),[size,5])

    def processState(states):
        return np.reshape(states,[21168])

    def updateTargetGraph(tfVars,tau):
        total_vars = len(tfVars)
        op_holder = []
        for idx,var in enumerate(tfVars[0:total_vars//2]):
            op_holder.append(tfVars[idx+total_vars//2].assign((var.value()*tau) + ((1-tau)*tfVars[idx+total_vars//2].value())))
        return op_holder
    def updateTarget(op_holder,sess):
        for op in op_holder:
            sess.run(op)
    batch_size = 32 #How many experiences to use for each training step.
    update_freq = 4 #How often to perform a training step.
    y = .99 #Discount factor on the target Q-values
    startE = 1 #Starting chance of random action
    endE = 0.1 #Final chance of random action
    anneling_steps = 10000. #How many steps of training to reduce startE to endE.
    num_episodes = 10000#How many episodes of game environment to train network with.
    pre_train_steps = 10000 #How many steps of random actions before training begins.
    max_epLength = 50 #The max allowed length of our episode.
    load_model = False #Whether to load a saved model.
    path = "./dqn" #The path to save our model to.
    h_size = 512 #The size of the final convolutional layer before splitting it into Advantage and Value streams.
    tau = 0.001 #Rate to update target network toward primary network
    tf.reset_default_graph()
    mainQN = Qnetwork(h_size)
    targetQN = Qnetwork(h_size)
    init = tf.global_variables_initializer()
    trainables = tf.trainable_variables()
    targetOps = updateTargetGraph(trainables,tau)
    myBuffer = experience_buffer()
    #Set the rate of random action decrease. 
    e = startE
    stepDrop = (startE - endE)/anneling_steps
    #create lists to contain total rewards and steps per episode
    rList = []
    total_steps = 0
    #Make a path for our model to be saved in.
    saver = tf.train.Saver()
    if not os.path.exists(path):
        os.makedirs(path)
    #%%
    with tf.Session() as sess:
        if load_model == True:
            print('Loading Model...')
            ckpt = tf.train.get_checkpoint_state(path)
            saver.restore(sess,ckpt.model_checkpoint_path)
        sess.run(init)
        updateTarget(targetOps,sess) #Set the target network to be equal to the primary network.
        for i in range(num_episodes+1):
            episodeBuffer = experience_buffer()
            #Reset environment and get first new observation
            s = env.reset()
            s = processState(s)
            d = False
            rAll = 0
            j = 0
            #The Q-Network
            while j < max_epLength: #If the agent takes longer than 200 moves to reach either of the blocks, end the trial.
                j+=1
                #Choose an action by greedily (with e chance of random action) from the Q-network
                if np.random.rand(1) < e or total_steps < pre_train_steps:
                    a = np.random.randint(0,4)
                else:
                    a = sess.run(mainQN.predict,feed_dict={mainQN.scalarInput:[s]})[0]
                s1,r,d = env.step(a)
                s1 = processState(s1)
                total_steps += 1
                episodeBuffer.add(np.reshape(np.array([s,a,r,s1,d]),[1,5])) #Save the experience to our episode buffer.

                if total_steps > pre_train_steps:
                    if e > endE:
                        e -= stepDrop

                    if total_steps % (update_freq) == 0:
                        trainBatch = myBuffer.sample(batch_size) #Get a random batch of experiences.
                        #Below we perform the Double-DQN update to the target Q-values
                        A = sess.run(mainQN.predict,feed_dict={mainQN.scalarInput:np.vstack(trainBatch[:,3])})
                        Q = sess.run(targetQN.Qout,feed_dict={targetQN.scalarInput:np.vstack(trainBatch[:,3])})
                        doubleQ = Q[range(batch_size),A]
                        targetQ = trainBatch[:,2] + y*doubleQ
                        #Update the network with our target values.
                        _ = sess.run(mainQN.updateModel, \
                            feed_dict={mainQN.scalarInput:np.vstack(trainBatch[:,0]),mainQN.targetQ:targetQ, mainQN.actions:trainBatch[:,1]})

                        updateTarget(targetOps,sess) #Set the target network to be equal to the primary network.
                rAll += r
                s = s1

                if d == True:
                    break

            #Get all experiences from this episode and discount their rewards.
            myBuffer.add(episodeBuffer.buffer)
            rList.append(rAll)
            #Periodically save the model.
            if i>0 and i % 25 == 0:
                print('episode',i,', average reward of last 25 episode',np.mean(rList[-25:]))
            if i>0 and i % 1000 == 0:
                saver.save(sess,path+'/model-'+str(i)+'.cptk')
                print("Saved Model")            
        saver.save(sess,path+'/model-'+str(i)+'.cptk')
    #%%
    rMat = np.resize(np.array(rList),[len(rList)//100,100])
    rMean = np.average(rMat,1)
    plt.plot(rMean)

 

参谋资料:
《TensorFlow实战》

应接付费咨询(150元每时辰卡塔尔国,小编的Wechat:qingxingfengzi