以下内容来源于一次部门内部的分享，主要针对ai初学者，介绍包括cnn、deep q network以及tensorflow平台等内容。由于笔者并非深度学习算法研究者，因此以下更多从应用的角度对整个系统进行介绍，而不会进行详细的公式推导。
关于flappy bird flappy bird操作简单，通过点击手机屏幕使bird上升，穿过柱状障碍物之后得分，碰到则游戏结束。由于障碍物高低不等，控制bird上升和下降需要反应快并且灵活，要得到较高的分数并不容易，笔者目前最多得过10分。
本文主要介绍如何通过ai（人工智能）的方式玩flappy bird游戏，分为以下四个部分内容：
1. flappy bird 游戏展示 2. 模型：卷积神经网络 3. 算法：deep q network 4. 代码：tensorflow实现
在介绍模型、算法前先来直接看下效果，上图是刚开始训练的时候，画面中的小鸟就像无头苍蝇一样乱飞，下图展示的是在本机（后面会给出配置）训练超过10小时后（训练步数超过2000000）的情况，其最好成绩已经超过200分，人类玩家已基本不可能超越。
训练数小于10000步（刚开始训练）
训练步数大于2000000步（10小时后）
由于本机配置了 cuda 以及 cudnn，采用了 nvidia 的显卡进行并行计算，所以这里提前贴一下运行时的日志输出。
关于cuda以及cudnn的配置，其中有一些坑包括：安装cuda之后循环登录，屏幕分辨率无法正常调节等等，都是由于nvidia驱动安装的问题，这不是本文要讨论的主要内容，读者可自行google。
● 加载cuda运算库
加载cuda运算库
● tensorflow运行设备 /gpu:0
tensorflow运行设备/gpu:0
/gpu:0 这是tensorflow平台默认的配置方法，表示使用系统中的第一块显卡。
本机软硬件配置： 系统：ubuntu 16.04 显卡：nvidia geforce gtx 745 4g 版本：tensorflow 1.0 软件包：opencv 3.2.0、pygame、numpy、… 细心的朋友可能发现，笔者的显卡配置并不高，geforce gtx 745，显存3.94g，可用3.77g（桌面占用了一部分），属于入门中的入门。对于专业做深度学习算法的朋友，这个显卡必然是不够的。知乎上有帖子教大家怎么配置更专业的显卡，有兴趣的可以移步。
神经网络算法是由众多的神经元可调的连接权值连接而成，具有大规模并行处理、分布式信息存储、良好的自组织自学习能力等特点。人工神经元与生物神经元结构类似，其结构对比如下图所示。
生物神经元
人工神经元
人工神经元的输入（x1,x2...xm）类似于生物神经元的树突，输入经过不同的权值（wk1, wk2, ....wkn），加上偏置，经过激活函数得到输出，最后将输出传输到下一层神经元进行处理。
单神经元输出函数
激活函数为整个网络引入了非线性特性，这也是神经网络相比于回归等算法拟合能力更强的原因。常用的激活函数包括sigmoid、tanh等，它们的函数表达式如下：
sigmoid函数
tanh双曲正切函数
这里可以看出，sigmoid函数的值域是（0,1），tanh函数的值域是（-1,1）。
卷积神经网络起源于动物的视觉系统，主要包含的技术是：
1. 局部感知域（稀疏连接）； 2. 参数共享； 3. 多卷积核； 4. 池化。
● 1. 局部感知域（稀疏连接）
全连接网络的问题在于：
1. 需要训练的参数过多，容器导致结果不收敛（梯度消失），且训练难度极大；
2. 实际上对于某个局部的神经元来讲，它更加敏感的是小范围内的输入，换句话说，对于较远的输入，其相关性很低，权值也就非常小。
人类的视觉系统决定了人在观察外界的时候，总是从局部到全局。
比如，我们看到一个美女，可能最先观察到的是美女身上的某些部位（自己体会）。
因此，卷积神经网络与人类的视觉类似，采用局部感知，低层的神经元只负责感知局部的信息，在向后传输的过程中，高层的神经元将局部信息综合起来得到全局信息。
全连接与局部连接的对比（图片来自互联网）
从上图中可以看出，采用局部连接之后，可以大大的降低训练参数的量级。
● 2. 参数共享
虽然通过局部感知降低了训练参数的量级，但整个网络需要训练的参数依然很多。
参数共享就是将多个具有相同统计特征的参数设置为相同，其依据是图像中一部分的统计特征与其它部分是一样的。其实现是通过对图像进行卷积（卷积神经网络命名的来源）。
可以理解为，比如从一张图像中的某个局部（卷积核大小）提取了某种特征，然后以这种特征为探测器，应用到整个图像中，对整个图像顺序进行卷积，得到不同的特征。
卷积过程（图片来自互联网）
每个卷积都是一种特征提取方式，就像一个筛子，将图像中符合条件（激活值越大越符合条件）的部分筛选出来，通过这种卷积就进一步降低训练参数的量级。
● 3. 多卷积核
如上，每个卷积都是一种特征提取方式，那么对于整幅图像来讲，单个卷积核提取的特征肯定是不够的，那么对同一幅图像使用多种卷积核进行特征提取，就能得到多幅特征图（feature map）。
不同的卷积核提取不同的特征（图片来自互联网）
多幅特征图可以看成是同一张图像的不同通道，这个概念在后面代码实现的时候用得上。
● 4. 池化
得到特征图之后，可以使用提取到的特征去训练分类器，但依然会面临特征维度过多，难以计算，并且可能过拟合的问题。从图像识别的角度来讲，图像可能存在偏移、旋转等，但图像的主体却相同的情况。也就是不同的特征向量可能对应着相同的结果，那么池化就是解决这个问题的。
池化过程（图片来自互联网）
池化就是将池化核范围内（比如2*2范围）的训练参数采用平均值（平均值池化）或最大值（最大值池化）来进行替代。
终于到了展示模型的时候，下面这幅图是笔者手画的（用电脑画太费时，将就看吧），这幅图展示了本文中用于训练游戏所用的卷积神经网络模型。
卷积神经网络模型
图像的处理过程
1. 初始输入四幅图像80×80×4（4代表输入通道，初始时四幅图像是完全一致的），经过卷积核8×8×4×32（输入通道4，输出通道32），步距为4（每步卷积走4个像素点），得到32幅特征图（feature map），大小为20×20；
2. 将20×20的图像进行池化，池化核为2×2，得到图像大小为10×10；
3. 再次卷积，卷积核为4×4×32×64，步距为2，得到图像5×5×64；
4. 再次卷积，卷积核为3×3×64*64，步距为2，得到图像5×5×64，虽然与上一步得到的图像规模一致，但再次卷积之后的图像信息更为抽象，也更接近全局信息；
5. reshape，即将多维特征图转换为特征向量，得到1600维的特征向量；
6. 经过全连接1600×512，得到512维特征向量；
7. 再次全连接512×2，得到最终的2维向量[0,1]和[1,0]，分别代表游戏屏幕上的是否点击事件。
可以看出，该模型实现了端到端的学习，输入的是游戏屏幕的截图信息（代码中经过opencv处理），输出的是游戏的动作，即是否点击屏幕。深度学习的强大在于其数据拟合能力，不需要传统机器学习中复杂的特征提取过程，而是依靠模型发现数据内部的关系。
不过这也带来另一方面的问题，那就是深度学习高度依赖大量的标签数据，而这些数据获取成本极高。
有了卷积神经网络模型，那么怎样训练模型？使得模型收敛，从而能够指导游戏动作呢？机器学习分为监督学习、非监督学习和强化学习，这里要介绍的q network属于强化学习（reinforcement learning）的范畴。在正式介绍q network之前，先简单说下它的光荣历史。
2014年google 4亿美金收购deepmind的桥段，大家可能听说过。那么，deepmind是如何被google给盯上的呢？最终原因可以归咎为这篇论文：
<a href="https://arxiv.org/abs/1312.5602" target="_blank">playing atari with deep reinforcement learning</a>
deepmind团队通过强化学习，完成了20多种游戏，实现了端到端的学习。其用到的算法就是q network。2015年，deepmind团队在《nature》上发表了一篇升级版：
<a href="http://diyhpl.us/~nmz787/pdf/human-level_control_through_deep_reinforcement_learning.pdf" target="_blank">human-level control through deep reinforcement learning</a>
自此，在这类游戏领域，人已经无法超过机器了。后来又有了alphago，以及master，当然，这都是后话了。其实本文也属于上述论文的范畴，只不过基于tensorflow平台进行了实现，加入了一些笔者自己的理解而已。
回到正题，q network属于强化学习，那么先介绍下强化学习。
强化学习模型
这张图是从ucl的课程中拷出来的，课程链接地址（youtube）：
强化学习过程有两个组成部分：
● 智能代理（学习系统） ● 环境
如图所示，在每步迭代过程中，首先智能代理（学习系统）接收环境的状态st，然后产生动作at作用于环境，环境接收动作at，并且对其进行评价，反馈给智能代理rt。不断的循环这个过程，就会产生一个状态/动作/反馈的序列：（s1, a1, r1, s2, a2, r2.....,sn, an, rn），而这个序列让我们很自然的想起了:
● 马尔科夫决策过程
mdp：马尔科夫决策过程
马尔科夫决策过程与著名的hmm（隐马尔科夫模型）相同的是，它们都具有马尔科夫特性。那么什么是马尔科夫特性呢？简单来说，就是未来的状态只取决于当前的状态，与过去的状态无关。
hmm（马尔科夫模型）在语音识别，行为识别等机器学习领域有较为广泛的应用。条件随机场模型（conditional random field）则用于自然语言处理。两大模型是语音识别、自然语言处理领域的基石。
上图可以用一个很形象的例子来说明。比如你毕业进入了一个公司，你的初始职级是t1（对应图中的 s1），你在工作上刻苦努力，追求上进（对应图中的a1），然后领导觉得你不错，准备给你升职（对应图中的r1），于是，你升到了t2；你继续刻苦努力，追求上进......不断的努力，不断的升职，最后升到了sn。当然，你也有可能不努力上进，这也是一种动作，换句话说，该动作a也属于动作集合a，然后得到的反馈r就是没有升职加薪的机会。
这里注意下，我们当然希望获取最多的升职，那么问题转换为：如何根据当前状态s（s属于状态集s），从a中选取动作a执行于环境，从而获取最多的r，即r1 + r2 ……+rn的和最大 ？这里必须要引入一个数学公式：状态值函数。
状态值函数模型
公式中有个折合因子γ，其取值范围为[0,1]，当其为0时，表示只考虑当前动作对当前的影响，不考虑对后续步骤的影响，当其为1时，表示当前动作对后续每步都有均等的影响。当然，实际情况通常是当前动作对后续得分有一定的影响，但随着步数增加，其影响减小。
从公式中可以看出，状态值函数可以通过迭代的方式来求解。增强学习的目的就是求解马尔可夫决策过程（mdp）的最优策略。
策略就是如何根据环境选取动作来执行的依据。策略分为稳定的策略和不稳定的策略，稳定的策略在相同的环境下，总是会给出相同的动作，不稳定的策略则反之，这里我们主要讨论稳定的策略。
求解上述状态函数需要采用动态规划的方法，而具体到公式，不得不提：
● 贝尔曼方程
贝尔曼方程
其中，π代表上述提到的策略，q π (s, a)相比于v π (s)，引入了动作，被称作动作值函数。对贝尔曼方程求最优解，就得到了贝尔曼最优性方程。
状态值函数最优解
动作值函数最优解
求解该方程有两种方法：策略迭代和值迭代。
● 策略迭代
策略迭代分为两个步骤：策略评估和策略改进，即首先评估策略，得到状态值函数，其次，改进策略，如果新的策略比之前好，就替代老的策略。
策略迭代
● 值迭代
从上面我们可以看到，策略迭代算法包含了一个策略估计的过程，而策略估计则需要扫描(sweep)所有的状态若干次，其中巨大的计算量直接影响了策略迭代算法的效率。而值迭代每次只扫描一次，更新过程如下：
值迭代
即在值迭代的第k+1次迭代时，直接将能获得的最大的vπ(s)值赋给vk+1。
● q-learning
q-learning是根据值迭代的思路来进行学习的。该算法中，q值更新的方法如下：
q值更新方法
虽然根据值迭代计算出目标q值，但是这里并没有直接将这个q值（是估计值）直接赋予新的q，而是采用渐进的方式类似梯度下降，朝目标迈近一小步，取决于α，这就能够减少估计误差造成的影响。类似随机梯度下降，最后可以收敛到最优的q值。具体算法如下：
q-learning算法
如果没有接触过动态规划的童鞋看上述公式可能有点头大，下面通过表格来演示下q值更新的过程，大家就明白了。
q-learning算法的过程就是存储q值的过程。上表中，横列为状态s，纵列为action a，s和a决定了表中的q值。
● 第一步：初始化，将表中的q值全部置0；
● 第二步：根据策略及状态s，选择a执行。假定当前状态为s1，由于初始值都为0，所以任意选取a执行，假定这里选取了a2执行，得到了reward为1，并且进入了状态s3。根据q值更新公式：
q值更新公式
来更新q值，这里我们假设α是1，λ也等于1，也就是每一次都把目标q值赋给q。那么这里公式变成：
所以在这里，就是
本次q值更新
那么对应的s3状态，最大值是0，所以
q值
q表格就变成：
然后置位当前状态s为s3。
● 第三步：继续循环操作，进入下一次动作，当前状态是s3，假设选择动作a3，然后得到reward为2，状态变成s1，那么我们同样进行更新：
q值更新
所以q的表格就变成：
● 第四步： 继续循环，q值在试验的同时反复更新，直到收敛。
上述表格演示了具有4种状态/4种行为的系统，然而在实际应用中，以本文讲到的flappy bird游戏为例，界面为80*80个像素点，每个像素点的色值有256种可能。那么实际的状态总数为256的80*80次方，这是一个很大的数字，直接导致无法通过表格的思路进行计算。
因此，为了实现降维，这里引入了一个价值函数近似的方法，通过一个函数表近似表达价值函数：
价值函数近似
其中，ω 与 b 分别为参数。看到这里，终于可以联系到前面提到的神经网络了，上面的表达式不就是神经元的函数吗？
● q-network
下面这张图来自论文《human-level control through deep reinforcement learning》，其中详细介绍了上述将q值神经网络化的过程。（感兴趣的可以点之前的链接了解原文～）
q-network
以本文为例，输入是经过处理的4个连续的80x80图像，然后经过三个卷积层，一个池化层，两个全连接层，最后输出包含每一个动作q值的向量。
现在已经将q-learning神经网络化为q-network了，接下来的问题是如何训练这个神经网络。神经网络训练的过程其实就是一个最优化方程求解的过程，定义系统的损失函数，然后让损失函数最小化的过程。
训练过程依赖于上述提到的dqn算法，以目标q值作为标签，因此，损失函数可以定义为：
dqn损失函数（来源于论文）
上面公式是s'，a'即下一个状态和动作。确定了损失函数，确定了获取样本的方式，dqn的整个算法也就成型了！
dqn算法（来源于论文）
值得注意的是这里的d—experience replay，也就是经验池，就是如何存储样本及采样的问题。
由于玩flappy bird游戏，采集的样本是一个时间序列，样本之间具有连续性，如果每次得到样本就更新q值，受样本分布影响，效果会不好。因此，一个很直接的想法就是把样本先存起来，然后随机采样如何？这就是experience replay的思想。
算法实现上，先反复实验，并且将实验数据存储在d中；存储到一定程度，就从中随机抽取数据，对损失函数进行梯度下降。
终于到了看代码的时候。首先申明下，当笔者从deep mind的论文入手，试图用tensorflow实现对flappy bird游戏进行实现时，发现github已有大神完成demo。思路相同，所以直接以公开代码为例进行分析说明了。
代码从结构上来讲，主要分为以下几部分：
● gamestate游戏类，frame_step方法控制移动 ● cnn模型构建 ● opencv-python图像预处理方法 ● 模型训练过程
1. gamestate游戏类及frame_step方法
后续操作包括检查得分、设置界面、检查是否碰撞等，这里不再详细展开。
frame_step方法的返回值是：
return image_data, reward, terminal
分别表示界面图像数据，得分以及是否结束游戏。对应前面强化学习模型，界面图像数据表示环境状态 s，得分表示环境给予学习系统的反馈 r。
2. cnn模型构建
该demo中包含三个卷积层，一个池化层，两个全连接层，最后输出包含每一个动作q值的向量。因此，首先定义权重、偏置、卷积和池化函数：
然后，通过上述函数构建卷积神经网络模型（对代码中参数不解的，可直接往前翻，看上面那张手画的图）。
3. opencv-python图像预处理方法
在ubuntu中安装opencv的步骤比较麻烦，当时也踩了不少坑，各种google解决。建议安装opencv3。
这部分主要对frame_step方法返回的数据进行了灰度化和二值化，也就是最基本的图像预处理方法。
4. dqn训练过程
这是代码部分要讲的重点，也是上述q-learning算法的代码化。
i. 在进入训练之前，首先创建一些变量：
在tensorflow中，通常有三种读取数据的方式：feeding、reading from files和preloaded data。feeding是最常用也最有效的方法。即在模型（graph）构建之前，先使用placeholder进行占位，但此时并没有训练数据，训练是通过feed_dict传入数据。
这里的a表示输出的动作，即强化学习模型中的action，y表示标签值，readout_action表示模型输出与a相乘后，在一维求和，损失函数对标签值与输出值的差进行平方，train_step表示对损失函数进行adam优化。
赋值的过程为：
ii. 创建游戏及经验池 d
经验池 d采用了队列的数据结构，是tensorflow中最基础的数据结构，可以通过dequeue()和enqueue([y])方法进行取出和压入数据。经验池 d用来存储实验过程中的数据，后面的训练过程会从中随机取出一定量的batch进行训练。
变量创建完成之后，需要调用tensorflow系统方法tf.global_variables_initializer()添加一个操作实现变量初始化。运行时机是在模型构建完成，session建立之初。比如：
iii. 参数保存及加载
采用tensorflow训练模型，需要将训练得到的参数进行保存，不然一关机，就一夜回到解放前了。tensorflow采用saver来保存。一般在session()建立之前，通过tf.train.saver()获取saver实例。
saver = tf.train.saver()
变量的恢复使用saver的restore方法：
在该demo训练时，也采用了saver进行参数保存。
首先加载checkpointstate文件，然后采用saver.restore对已存在参数进行恢复。
在该demo中，每隔10000步，就对参数进行保存：
iv. 实验及样本存储
首先，根据ε 概率选择一个action。
这里，readout_t是训练数据为之前提到的四通道图像的模型输出。a_t是根据ε 概率选择的action。
其次，执行选择的动作，并保存返回的状态、得分。
经验池d保存的是一个马尔科夫序列。(s_t, a_t, r_t, s_t1, terminal)分别表示t时的状态s_t，执行的动作a_t，得到的反馈r_t，以及得到的下一步的状态s_t1和游戏是否结束的标志terminal。
在下一训练过程中，更新当前状态及步数：
重复上述过程，实现反复实验及样本存储。
v. 通过梯度下降进行模型训练
在实验一段时间后，经验池d中已经保存了一些样本数据后，就可以从这些样本数据中随机抽样，进行模型训练了。这里设置样本数为observe = 100000.。随机抽样的样本数为batch = 32。
s_j_batch、a_batch、r_batch、s_j1_batch是从经验池d中提取到的马尔科夫序列（java童鞋羡慕python的列表推导式啊），y_batch为标签值，若游戏结束，则不存在下一步中状态对应的q值（回忆q值更新过程），直接添加r_batch，若未结束，则用折合因子（0.99）和下一步中状态的最大q值的乘积，添加至y_batch。
最后，执行梯度下降训练，train_step的入参是s_j_batch、a_batch和y_batch。差不多经过2000000步（在本机上大概10个小时）训练之后，就能达到本文开头动图中的效果啦。
以上。
====================================分割线================================
本文作者：ai研习社