强化学习入门（一）强化学习的基础概念及Gym库，Parl库介绍

• 2020 年 6 月 17 日
• AI
• 强化学习

一、强化学习初印象

让机器像人一样学习：

• 对已知环境进行规划
• 对未知环境进行探索/试错

案例：

Multi-Agent Hide and Seek，OpenAI 的 AI 多角色捉迷藏游戏

地址：//openai.com/blog/emergent-tool-use

参考资料：

《Reinforcement Learning: An Introduction》

伯克利 2018 Deep RL 课程：//rail.eecs.berkeley.edu/deeprlcourse/

强化学习入门路线：

• 基础入门：基础概念及原理
• 理论补充：专业教材，高校课程
• 经典算法复现：DQN，DDPG，PPO，A3C
• 前沿论文阅读：顶会论文

资料推荐：

• 书籍：经典书《Reinforcement Learning: An Introduction》（强化学习导论）——强化学习教父 Richard Sutton 经典教材
• 理论课：2015 David Silver 经典强化学习公开课，UC Berkeley CS285，斯坦福 CS234

动手实践：

• Sarsa
• Q-learning
• DQN
• Policy Gradient
• DDPG

进阶：经典论文

• DQN “Playing atari with deep reinforcement learning” //arxiv.org/pdf/1312.5602.pdf
• A3C “Asynchronous methods for deep reinforcement learning” //www.jmlr.org/proceedings/papers/v48/mniha16.pdf
• DDPG “Continuous control with deep reinforcement learning” //arxiv.org/pdf/1509.02971
• PPO “Proximal policy optimization algorithms” //arxiv.org/pdf/1707.06347

前沿研究方向：

• Model-based RL
• Hierarchical RL
• Multi Agent RL
• Meta Learning

二、什么是强化学习

核心思想：

智能体 Agent 在环境 enviroment 中学习

根据环境状态 State

执行动作 Action

并根据环境反馈 Reward 来指导下一步动作

两个组成部分：

• Agent 智能体
• Enviroment 环境

三要素：

• State 状态（全局）/ Observation 观察值（局部）
• Action 动作
• Reward 反馈/奖励

应用：

• 游戏
• 运动与平衡
• 个性化与推荐
• 股票
• 交通治理
  

强化学习与其他机器学习

三大板块：监督学习，非监督学习，强化学习

都用到了深度学习作为工具

• 监督学习：分类，回归（独立同分布数据）

• 非监督学习：聚类

• 强化学习：决策（序列决策数据）
  

强化学习的 2 种学习/优化方案：

• 基于价值 Value-based （每一步 State 给奖励）—— 最终 Agent 获得每一步最优解（确定性策略）
  • Sarsa
  • Q-learning
  • DQN
• 基于策略 Policy-based （最终给出奖励）—— 最终 Agent 获得每一步的概率分布（随机性策略）
  • Policy gradient
    

强化学习算法分类：

• 基于模型 Model-based
  • 动态规划
• 无模型 Model-free
  • 基于价值 Value-based
    • on-Policy：Sarsa
    • off-Policy：Q-learning，DQN
  • 基于策略 Policy-based
    • Policy Gradient
      • Actor-Critic
        • DDPG，A3C
      • TRPO
        • PPO

算法库&框架库：

三、GYM 库（环境库）

RL 环境相关的库：Gym 编程实践

Gym 是个仿真平台，python 的开源库，RL 的测试平台

官网：//gym.openai.com/

• 离散控制场景（动作为确定值）：一般使用 atari 环境评估
• 连续控制场景（动作为浮动连续值）：一般使用 mujoco 环境游戏评估

Gym 的核心接口是 enviroment

核心方法：

• reset()：重置环境的状态，回到初始环境，以便开始下一次训练。
• step(action)：推进一个时间步长，返回 4 个值：
  • observation (object)：对环境的一次观察
  • reward (float)：奖励
  • done (boolean)：代表是否要重置环境（是否达成最终结果/游戏结束）
  • info (dict)：用于调试的诊断信息
• render()：渲染，刷新环境新一帧的图形

四、PARL 库（算法库）

PARL 是对 Agent 的框架抽象

适用范围：

• 入门：快速学习和对比不同常用算法
• 科研：快速复现论文结果，迁移算法到不同环境调研
• 工业：大规模分布式能力，单机到多机仅需 2 行代码，快速迭代上线

PARL 的实现：基于 3 个类

• Model（模版 + 用户定制）：网络结构，可修改 carpole_model.py 文件
• Algorithm
• Agent（模版 + 用户定制）：与环境交互方式，数据接口可修改 carpole_agent.py

快速搭建并行框架：

• 在一台机器上 pip install parl
• 然后 xparl start –port 8008，启动集群
• 其他 CPU 机器加入集群：首先 pip install parl，然后 xparl connect –address localhost:8008
• 启动以后，需要把单机代码变成多机代码：在该代码的类前面加一个修饰符 @parl.remote_class
• 然后在并行训练之前，通过 parl.connect(‘localhost:8008’) 进行初始化和通讯

仅需拷贝一份代码到 master 的机器上