首页分享 AI玩Flappy Bird│基于DQN的机器学习实例【完结】

AI玩Flappy Bird│基于DQN的机器学习实例【完结】

来源：萌宠菠菠乐园时间：2026-03-01 00:03

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：
DQN
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
在这里插入图片描述
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)

powershell

123456789101112131415161718

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()

python

运行

123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081828384858687888990919293949596979899100101102103104105106107108109110111112113114115116117118119120121122123124125126127128129130131132133134135136137138139140141142143144145146147148149150151152153154155156157158159160161162163164165166167168169170171172173174175176177178179180181182183184185186187188189190191192193194195196197198199200201202203204205206207208209210211212213214215216217218219220221222223