Hello! I’m a beginner in OOP and RL and I need some advice for my connect 4 game 
First of all, don’t hesitate if you see anything shocking in my code ahah
But most of all I’m wondering where to save my training data record and where to load it so that it’s effective? I’m having a bit of trouble.
Thank you in advance!
import numpy as np
from colorama import Fore, Style
import torch
import torch.nn as nn
import torch.optim as optim
from collections import deque
import random
import torch.nn.functional as F
import pickle
import os
repo = os.path.dirname(os.path.abspath(__file__))
path = os.path.join(repo, "modeleIA.pth")
import matplotlib.pyplot as plt
if torch.cuda.is_available():
device = torch.device('cuda')
else:
device = torch.device('cpu')
class Plateau:
""" Classe représentant le plateau de jeu """
def __init__(self, rows, columns):
""" Constructeur de la classe, initialise le plateau et ses dimensions """
self.rows = rows
self.columns = columns
self.plato = np.zeros((rows, columns))
def colonne_check(self, col):
""" Vérifie si la colonne est pleine """
for i in range(self.rows):
if self.plato[i][col] == 0:
return True
return False
def placement_jeton(self, col, joueur):
""" Place le jeton du joueur dans la colonne qu'il sélectionne """
for i in np.r_[:self.rows][::-1]:
if self.plato[i][col] == 0:
self.plato[i][col] = joueur
return True
return False
def affichage(self, joueur):
""" Affiche le plateau de jeu à l'instant t """
couleur = Fore.RED if joueur == 1 else Fore.YELLOW
print(couleur + str(self.plato) + Style.RESET_ALL)
def check_victoire(self):
""" Vérifie si un joueur a gagné """
rows, columns = self.rows, self.columns
# vérification en ligne
for r in np.r_[:rows]:
for d in np.r_[:columns-3]:
f = d + 4
s = np.prod(self.plato[r, d:f])
if s == 1 or s == 16:
return True
# vérification en colonne
for c in np.r_[:columns]:
for d in np.r_[:rows-3]:
f = d + 4
s = np.prod(self.plato[d:f, c])
if s == 1 or s == 16:
return True
# vérification en diagonale (bas gauche vers haut droite)
for r in np.r_[:rows-3]:
for c in np.r_[:columns-3]:
f = c + 4
s = np.prod([self.plato[r+i, c+i] for i in range(4)])
if s == 1 or s == 16:
return True
# vérification en diagonale (haut gauche vers bas droite)
for r in np.r_[3:rows]:
for c in np.r_[:columns-3]:
f = c + 4
s = np.prod([self.plato[r-i, c+i] for i in range(4)])
if s == 1 or s == 16:
return True
return False
def get_etat(self):
""" Obtient l'état actuel du plateau sous forme de tableau 1D """
return self.plato.flatten()
def get_actions(self):
""" Obtient les actions possibles à partir de l'état actuel du plateau """
return np.where(self.plato[0] == 0)[0]
class Joueur:
""" Classe représentant un joueur humain """
def __init__(self, numero, max_choix):
""" Initialise le joueur et son numéro et le nombre de choix possibles """
self.numero = numero
self.max_choix = max_choix
def jouer(self, state, actions):
""" Demande au joueur de choisir une colonne """
while True:
try:
choix = int(input(f'Joueur {self.numero}, à vous de jouer (entre 1 et {self.max_choix}): ')) - 1
if choix in actions:
return choix
else:
print("Choix invalide. Essayez à nouveau.")
except ValueError:
print("Ce n'est pas un nombre. Essayez encore.")
class DQNAgent:
# Dans le RL, l'agent DQN utilise une mémoire appelée "replay memory"
# pour stocker les XP passées (état/action/rec/prochain état etc)
# afin de les réutiliser lors de l'apprentissage
# Initialisation de l'agent DQN
def __init__(self, state_size, action_size):
self.state_size = state_size
self.action_size = action_size
self.memory = deque(maxlen=10000) #pareil que sur le github
self.gamma = 0.95 # facteur d'actualisation, équilibre recomp im et future
self.epsilon = 1.0 # taux d'exploration initial
self.epsilon_min = 0.01 # taux d'exploration minimum
self.epsilon_decay = 0.995 # taux de décroissance de l'exploration
self.lr = 0.001 # taux d'apprentissage
self.model = self._build_model() # Construire le modèle de réseau neuronal
self.batch_size = 64
self.update_every = 5
# réseau principal (d'évaluation) pour choisir les actions et réseau cible pour générer les Q-values cibles
self.dqn_network = self._build_model().to(device)
self.target_network = self._build_model().to(device)
#pour l'instant même dim d'entrée, cachée (64) et de sortie
self.optimizer = optim.Adam(self.dqn_network.parameters(), lr=self.lr) # Optimiseur courrament utilisé en RL
self.t_step = 0 # Compteur pour la mise à jour du réseau cible
def charger_modele(self, chemin):
self.modele.load_state_dict(torch.load(chemin))
self.modele.eval()
def _build_model(self):
'''modele de réseau de neurones pour l'apprentissage'''
model = nn.Sequential(
nn.Linear(self.state_size, 64),
nn.ReLU(),
nn.Linear(64, 64),
nn.ReLU(),
nn.Linear(64, self.action_size)
)
return model
# L'agent choisit l'action selon l'état et la politique epsilon-greedy
def act(self, state, eps=0.1):
state = torch.from_numpy(state).float().unsqueeze(0).to(device) # On convertit l'état en tenseur
self.dqn_network.eval() # mode évaluation càd pas de mise à jour des poids
with torch.no_grad():
action_values = self.dqn_network(state) # Calculer la Q-valeur pour chaque action
self.dqn_network.train() # Repasser le réseau en mode entrainement
# politique epsilon-greedy (exploration/exploitation), à améliorer car
#pour l'instant génère un nombre aléatoire
if random.random() > eps:
return np.argmax(action_values.cpu().data.numpy()) # Choix de l'action avec la plus grande Q-valeur (greedy)
else:
return random.choice(np.arange(self.action_size)) # Choix d'une action aléatoire
# Stock l'expérience dans la mémoire de remise en état
def remember(self, state, action, reward, next_state, done):
self.memory.append((state, action, reward, next_state, done))
# Prend une action et apprendre à partir de l'expérience
def step(self, state, action, reward, next_state, done):
self.remember(state, action, reward, next_state, done) # Stocker l'expérience
self.epsilon *= self.epsilon_decay #on multiplie par le facteur de décroissance
self.learn() # Apprendre de l'expérience
# Apprentissage à partir de l'expérience (implémentation de l'équation de Belman)
def learn(self):
# mémoire de remise en état soit assez grande
if len(self.memory) < self.batch_size:
return
# on échantillonne un batch d'expériences de taille aléatoire
experiences = random.sample(self.memory, self.batch_size)
# dézip les élements de l'échantillon
states, actions, rewards, next_states, dones = zip(*experiences)
# Convertion des expériences numpy --> tenseur pytorch
states = torch.from_numpy(np.vstack(states)).float().to(device)
actions = torch.from_numpy(np.vstack(actions)).long().to(device)
rewards = torch.from_numpy(np.vstack(rewards)).float().to(device)
next_states = torch.from_numpy(np.vstack(next_states)).float().to(device)
dones = torch.from_numpy(np.vstack(dones).astype(np.int64)).float().to(device)
# Calcul les Q-valeurs cibles et attendues
#on obtient les qvaleur prédites à partir du modèle cible
Q_cible_next = self.target_network(next_states).detach().max(1)[0].unsqueeze(1) # Q-valeurs cibles pour les prochains états
#on calcule les Q cibles pour les états actuels
Q_cible = rewards + (self.gamma * Q_cible_next * (1 - dones)) # Q-valeurs cibles pour les états actuels
#on calcul les q attendus à partir du modèle
Q_expected = self.dqn_network(states).gather(1, actions) # Q-valeurs attendues pour les états actuels
# Calcul de la perte et rétropropagation de l'erreur
loss = F.mse_loss(Q_expected, Q_cible) # Calcul la perte w/ MSE
# On minimise la fonction de perte
self.optimizer.zero_grad() # Réinitialisation gradients
loss.backward() # Rétropropagation de l'erreur
self.optimizer.step() # Mise à jour des poids du réseau
# Mise à jour du réseau cible on le copie du réseau DQN
self.t_step = (self.t_step + 1) % self.update_every
if self.t_step == 0:
self.target_network.load_state_dict(self.dqn_network.state_dict())
def sauvegarder_modele(self, path):
# Sauvegarde du modèle PyTorch avec pickle
state = {
'dqn_network_state_dict': self.dqn_network.state_dict(),
'target_network_state_dict': self.target_network.state_dict(),
'optimizer_state_dict': self.optimizer.state_dict(),
'memory': self.memory,
'epsilon': self.epsilon,
}
#with open(chemin, "wb") as fichier:
#pickle.dump(self.model, fichier)
def charger_modele(self, path):
# Chergament du modèle Pytorch avec pickle
#with open(chemin, "rb") as fichier:
# self.model = pickle.load(fichier)
if os.path.exists(path):
state = torch.load(path)
self.dqn_network.load_state_dict(state['dqn_network_state_dict'])
self.target_network.load_state_dict(state['target_network_state_dict'])
self.optimizer.load_state_dict(state['optimizer_state_dict'])
self.memory = state['memory']
self.epsilon = state['epsilon']
print(f"Modèle chargé depuis {path}")
else:
print(f"Aucun modèle trouvé à {path}")
class IA:
def __init__(self, numero, max_choix, state_size, agent=None):
self.numero = numero
self.max_choix = max_choix
if agent is None:
self.agent= DQNAgent(state_size, max_choix)
else:
self.agent= agent
def jouer(self, state, actions):
""" Choisit une colonne en utilisant l'agent IA """
proba_victoires = self.calculer_proba_victoires(state, actions)
# Trie en fonction des probabilités de victoire
tri_indice_action = np.argsort(proba_victoires)
# actions de la plus probable à la moins probable
for indice in reversed(tri_indice_action):
action = actions[indice]
# Si l'action est possible, on la retourne
if action in actions:
return action
#(ne devrait pas arriver), retourne une action aléatoire
return np.random.choice(actions)
def calculer_proba_victoires(self, state, actions):
proba_victoires = np.zeros(len(actions))
for i, action in enumerate(actions):
next_state = state.copy()
next_state[action] = self.numero
proba_victoires[i] = self.agent.act(next_state)
return proba_victoires
def apprendre(self, state, action, reward, next_state, done):
self.agent.step(state, action, reward, next_state, done)
class Jeu:
""" Classe représentant le jeu en lui-même """
def __init__(self, rows, columns, joueurs):
""" Initialise le jeu et les joueurs """
self.plato = Plateau(rows, columns)
self.joueurs = joueurs
def play(self):
""" Lance le jeu et vérifie si un joueur a gagné ou si la partie est nulle """
state = self.plato.get_etat()
while True:
for joueur in self.joueurs:
print(f"Joueur {joueur.numero}")
actions = self.plato.get_actions()
choix = joueur.jouer(state, actions)
self.plato.placement_jeton(choix, joueur.numero)
self.plato.affichage(joueur.numero)
if self.plato.check_victoire():
print(f"Joueur {joueur.numero} a gagné!")
self.plato.affichage(joueur.numero) # Afficher le plateau final
return joueur.numero
elif np.all(self.plato.plato != 0):
print("Match nul!")
return None
state = self.plato.get_etat()
class Entrainement:
def __init__(self, lignes, colonnes, episodes):
self.lignes = lignes
self.colonnes = colonnes
self.episodes = episodes
self.victoires = {1: 0, 2: 0, 'Nulles': 0}
### Liste vides pour enregistrer les données
self.episodes_list = []
self.victoires_joueur1 = []
self.victoires_joueur2 = []
self.parties_nulles = []
def commencer(self):
print("Choisissez le mode :")
print("1. Jouer contre l'IA 1")
print("2. Jouer contre l'IA 2")
print("3. IA 1 vs IA 2")
print("4. Jouer humain contre humain")
print("5. Entraîner les deux IA entre elles")
choix = int(input("Votre choix : "))
if choix == 1:
joueur_humain = Joueur(1, colonnes)
agent_IA1 = DQNAgent(colonnes * lignes, colonnes)
joueur_IA1 = IA(2, colonnes, colonnes * lignes, agent_IA1)
joueurs = [joueur_humain, joueur_IA1]
elif choix == 2:
joueur_humain = Joueur(1, colonnes)
agent_IA2 = DQNAgent(colonnes * lignes, colonnes)
joueur_IA2 = IA(2, colonnes, colonnes * lignes, agent_IA2)
joueurs = [joueur_humain, joueur_IA2]
elif choix == 3:
agent_IA1 = DQNAgent(colonnes * lignes, colonnes)
agent_IA2 = DQNAgent(colonnes * lignes, colonnes)
joueur_IA1 = IA(1, colonnes, colonnes * lignes, agent_IA1)
joueur_IA2 = IA(2, colonnes, colonnes * lignes, agent_IA2)
joueurs = [joueur_IA1, joueur_IA2]
elif choix == 4:
joueur_humain1 = Joueur(1, colonnes)
joueur_humain2 = Joueur(2, colonnes)
joueurs = [joueur_humain1, joueur_humain2]
elif choix == 5:
agent_IA1 = DQNAgent(colonnes * lignes, colonnes)
agent_IA2 = DQNAgent(colonnes * lignes, colonnes)
joueur_IA1 = IA(1, colonnes, colonnes * lignes, agent_IA1)
joueur_IA2 = IA(2, colonnes, colonnes * lignes, agent_IA2)
joueurs = [joueur_IA1, joueur_IA2]
self.entrainement_IA(joueurs)
return
else:
print("Mode invalide. Veuillez choisir 1, 2, 3, 4 ou 5.")
return
for i in range(self.episodes):
print(f"Épisode {i+1}/{self.episodes}")
jeu = Jeu(lignes, colonnes, joueurs)
vainqueur = jeu.play()
if vainqueur is not None:
self.victoires[vainqueur] += 1
else:
self.victoires['Nulles'] += 1
print(f"Taux de victoire Joueur 1 : {self.victoires[1]/(i+1):.2f}")
print(f"Taux de victoire Joueur 2 : {self.victoires[2]/(i+1):.2f}")
print(f"Parties nulles : {self.victoires['Nulles']/(i+1):.2f}")
def entrainement_IA(self, joueurs):
for i in range(self.episodes):
print(f"Épisode {i+1}/{self.episodes}")
jeu = Jeu(lignes, colonnes, joueurs)
vainqueur = jeu.play()
if vainqueur is not None:
self.victoires[vainqueur] += 1
else:
self.victoires['Nulles'] += 1
# Sauvefarde des données
self.episodes_list.append(i + 1)
self.victoires_joueur1.append(self.victoires[1] / (i + 1))
self.victoires_joueur2.append(self.victoires[2] / (i + 1))
self.parties_nulles.append(self.victoires['Nulles'] / (i + 1))
print(f"Taux de victoire Joueur 1 : {self.victoires[1]/(i+1):.2f}")
print(f"Taux de victoire Joueur 2 : {self.victoires[2]/(i+1):.2f}")
print(f"Parties nulles : {self.victoires['Nulles']/(i+1):.2f}")
# graphique inutile à changer + tard
plt.plot(self.episodes_list, self.victoires_joueur1, label='Taux de victoire Joueur 1')
plt.plot(self.episodes_list, self.victoires_joueur2, label='Taux de victoire Joueur 2')
plt.plot(self.episodes_list, self.parties_nulles, label='Parties nulles')
plt.xlabel('Épisodes')
plt.ylabel('Taux de victoire')
plt.legend()
plt.savefig('graphique_evolution.png')
plt.show()
#Initialise et démarre le jeu
if __name__ == "__main__":
lignes, colonnes = 6, 7 # dimensions standard du puissance 4
episodes = 100 # nombre d'épisodes pour l'entraînement
entrainement = Entrainement(lignes, colonnes, episodes)
entrainement.commencer()