详解TensorFlow 2.0新特性在深度强化学习中的应用

2019 年 11 月 20 日
筆記

自TensorFlow官方发布其2.0版本新性能以来，不少人可能对此会有些许困惑。因此博主Roman Ring写了一篇概述性的文章，通过实现深度强化学习算法来具体的展示了TensorFlow 2.0的特性。

正所谓实践出真知。

TensorFlow 2.0的特性公布已经有一段时间了，但很多人对此应当还是一头雾水。

在本教程中，作者通过深度强化学习(DRL)来展示即将到来的TensorFlow 2.0的特性，具体来讲就是通过实现优势actor-critic(演员-评判家，A2C)智能体来解决经典的CartPole-v0环境。

虽然作者本文的目标是展示TensorFlow 2.0，但他先介绍了DRL方面的内容，包括对该领域的简要概述。

事实上，由于2.0版本的主要关注点是简化开发人员的工作，即易用性，所以现在正是使用TensorFlow进入DRL的好时机。

本文完整代码资源链接： GitHub：https://github.com/inoryy/tensorflow2-deep-reinforcement-learning

Google Colab：https://colab.research.google.com/drive/12QvW7VZSzoaF-Org-u-N6aiTdBN5ohNA

安装

由于TensorFlow 2.0仍处于试验阶段，建议将其安装在一个独立的(虚拟)环境中。我比较倾向于使用Anaconda，所以以此来做说明：

> conda create -n tf2 python=3.6  > source activate tf2  > pip install tf-nightly-2.0-preview # tf-nightly-gpu-2.0-preview for GPU version

让我们来快速验证一下，一切是否按着预测正常工作：

>>> import tensorflow as tf  >>> print(tf.__version__)  1.13.0-dev20190117  >>> print(tf.executing_eagerly())  True

不必担心1.13.x版本，这只是一个早期预览。此处需要注意的是，默认情况下我们是处于eager模式的！

>>> print(tf.reduce_sum([1, 2, 3, 4, 5]))  tf.Tensor(15, shape=(), dtype=int32)

如果读者对eager模式并不熟悉，那么简单来讲，从本质上它意味着计算是在运行时(runtime)被执行的，而不是通过预编译的图(graph)来执行。读者也可以在TensorFlow文档中对此做深入了解：

https://www.tensorflow.org/tutorials/eager/eager_basics

深度强化学习

一般来说，强化学习是解决顺序决策问题的高级框架。RL智能体通过基于某些观察采取行动来导航环境，并因此获得奖励。大多数RL算法的工作原理是最大化智能体在一个轨迹中所收集的奖励的总和。

基于RL的算法的输出通常是一个策略—一个将状态映射到操作的函数。有效的策略可以像硬编码的no-op操作一样简单。随机策略表示为给定状态下行为的条件概率分布。

Actor-Critic方法

RL算法通常根据优化的目标函数进行分组。基于值的方法（如DQN）通过减少预期状态-动作值(state-action value)的误差来工作。

策略梯度(Policy Gradient)方法通过调整其参数直接优化策略本身，通常是通过梯度下降。完全计算梯度通常是很困难的，所以通常用蒙特卡洛(monte-carlo)方法来估计梯度。

最流行的方法是二者的混合：actor- critical方法，其中智能体策略通过“策略梯度”进行优化，而基于值的方法则用作期望值估计的引导。

深度actor- critical方法

虽然很多基础的RL理论是在表格案例中开发的，但现代RL几乎完全是用函数逼近器完成的，例如人工神经网络。具体来说，如果策略和值函数用深度神经网络近似，则RL算法被认为是“深度的”。

异步优势(asynchronous advantage) actor- critical

多年来，为了解决样本效率和学习过程的稳定性问题，已经为此做出了一些改进。

首先，梯度用回报(return)来进行加权：折现的未来奖励，这在一定程度上缓解了信用(credit)分配问题，并以无限的时间步长解决了理论问题。

其次，使用优势函数代替原始回报。收益与基线(如状态行动估计)之间的差异形成了优势，可以将其视为与某一平均值相比某一给定操作有多好的衡量标准。

第三，在目标函数中使用额外的熵最大化项，以确保智能体充分探索各种策略。本质上，熵以均匀分布最大化，来测量概率分布的随机性。

最后，并行使用多个worker来加速样品采集，同时在训练期间帮助将它们去相关(decorrelate)。

将所有这些变化与深度神经网络结合起来，我们得到了两种最流行的现代算法：异步优势actor- critical算法，或简称A3C/A2C。两者之间的区别更多的是技术上的而不是理论上的：顾名思义，它归结为并行worker如何估计其梯度并将其传播到模型中。

有了这些，我将结束我们的DRL方法之旅，因为这篇博客文章的重点是TensorFlow 2.0特性。如果您仍然不确定主题，不要担心，通过代码示例，一切都会变得更加清晰明了。

使用TensorFlow 2.0实现Advantage Actor-Critic

让我们看看实现各种现代DRL算法的基础是什么：是actor-critic agent，如前一节所述。为了简单起见，我们不会实现并行worker，尽管大多数代码都支持它。感兴趣的读者可以将这作为一个练习机会。

作为一个测试平台，我们将使用CartPole-v0环境。虽然有点简单，但它仍然是一个很好的选择。

通过Keras模型API实现的策略和价值

首先，让我们在单个模型类下创建策略和价值预估神经网络:

import numpy as np  import tensorflow as tf  import tensorflow.keras.layers as kl    class ProbabilityDistribution(tf.keras.Model):      def call(self, logits):          # sample a random categorical action from given logits          return tf.squeeze(tf.random.categorical(logits, 1), axis=-1)    class Model(tf.keras.Model):      def __init__(self, num_actions):          super().__init__('mlp_policy')          # no tf.get_variable(), just simple Keras API          self.hidden1 = kl.Dense(128, activation='relu')          self.hidden2 = kl.Dense(128, activation='relu')          self.value = kl.Dense(1, name='value')          # logits are unnormalized log probabilities          self.logits = kl.Dense(num_actions, name='policy_logits')          self.dist = ProbabilityDistribution()        def call(self, inputs):          # inputs is a numpy array, convert to Tensor          x = tf.convert_to_tensor(inputs, dtype=tf.float32)          # separate hidden layers from the same input tensor          hidden_logs = self.hidden1(x)          hidden_vals = self.hidden2(x)          return self.logits(hidden_logs), self.value(hidden_vals)        def action_value(self, obs):          # executes call() under the hood          logits, value = self.predict(obs)          action = self.dist.predict(logits)          # a simpler option, will become clear later why we don't use it          # action = tf.random.categorical(logits, 1)          return np.squeeze(action, axis=-1), np.squeeze(value, axis=-1)

然后验证模型是否如预期工作：

import gym    env = gym.make('CartPole-v0')  model = Model(num_actions=env.action_space.n)    obs = env.reset()  # no feed_dict or tf.Session() needed at all  action, value = model.action_value(obs[None, :])  print(action, value) # [1] [-0.00145713]

这里需要注意的是：

模型层和执行路径是分别定义的
没有“输入”层，模型将接受原始numpy数组
通过函数API可以在一个模型中定义两个计算路径
模型可以包含一些辅助方法，比如动作采样
在eager模式下，一切都可以从原始numpy数组中运行

Random Agent

现在让我们转到 A2CAgent 类。首先，让我们添加一个 test 方法，该方法运行完整的episode并返回奖励的总和。

class A2CAgent:      def __init__(self, model):          self.model = model        def test(self, env, render=True):          obs, done, ep_reward = env.reset(), False, 0          while not done:              action, _ = self.model.action_value(obs[None, :])              obs, reward, done, _ = env.step(action)              ep_reward += reward              if render:                  env.render()          return ep_reward

让我们看看模型在随机初始化权重下的得分：

agent = A2CAgent(model)  rewards_sum = agent.test(env)  print("%d out of 200" % rewards_sum) # 18 out of 200

离最佳状态还很远，接下来是训练部分!

损失/目标函数

正如我在DRL概述部分中所描述的，agent通过基于某些损失(目标)函数的梯度下降来改进其策略。在 actor-critic 中，我们针对三个目标进行训练：利用优势加权梯度加上熵最大化来改进策略，以及最小化价值估计误差。

import tensorflow.keras.losses as kls  import tensorflow.keras.optimizers as ko    class A2CAgent:      def __init__(self, model):          # hyperparameters for loss terms          self.params = {'value': 0.5, 'entropy': 0.0001}          self.model = model          self.model.compile(              optimizer=ko.RMSprop(lr=0.0007),              # define separate losses for policy logits and value estimate              loss=[self._logits_loss, self._value_loss]          )        def test(self, env, render=True):          # unchanged from previous section          ...        def _value_loss(self, returns, value):          # value loss is typically MSE between value estimates and returns          return self.params['value']*kls.mean_squared_error(returns, value)        def _logits_loss(self, acts_and_advs, logits):          # a trick to input actions and advantages through same API          actions, advantages = tf.split(acts_and_advs, 2, axis=-1)          # polymorphic CE loss function that supports sparse and weighted options          # from_logits argument ensures transformation into normalized probabilities          cross_entropy = kls.CategoricalCrossentropy(from_logits=True)          # policy loss is defined by policy gradients, weighted by advantages          # note: we only calculate the loss on the actions we've actually taken          # thus under the hood a sparse version of CE loss will be executed          actions = tf.cast(actions, tf.int32)          policy_loss = cross_entropy(actions, logits, sample_weight=advantages)          # entropy loss can be calculated via CE over itself          entropy_loss = cross_entropy(logits, logits)          # here signs are flipped because optimizer minimizes          return policy_loss - self.params['entropy']*entropy_loss

我们完成了目标函数！注意代码非常紧凑：注释行几乎比代码本身还多。

Agent Training Loop

最后，还有训练环路。它有点长，但相当简单：收集样本，计算回报和优势，并在其上训练模型。

class A2CAgent:      def __init__(self, model):          # hyperparameters for loss terms          self.params = {'value': 0.5, 'entropy': 0.0001, 'gamma': 0.99}          # unchanged from previous section          ...       def train(self, env, batch_sz=32, updates=1000):          # storage helpers for a single batch of data          actions = np.empty((batch_sz,), dtype=np.int32)          rewards, dones, values = np.empty((3, batch_sz))          observations = np.empty((batch_sz,) + env.observation_space.shape)          # training loop: collect samples, send to optimizer, repeat updates times          ep_rews = [0.0]          next_obs = env.reset()          for update in range(updates):              for step in range(batch_sz):                  observations[step] = next_obs.copy()                  actions[step], values[step] = self.model.action_value(next_obs[None, :])                  next_obs, rewards[step], dones[step], _ = env.step(actions[step])                    ep_rews[-1] += rewards[step]                  if dones[step]:                      ep_rews.append(0.0)                      next_obs = env.reset()                _, next_value = self.model.action_value(next_obs[None, :])              returns, advs = self._returns_advantages(rewards, dones, values, next_value)              # a trick to input actions and advantages through same API              acts_and_advs = np.concatenate([actions[:, None], advs[:, None]], axis=-1)              # performs a full training step on the collected batch              # note: no need to mess around with gradients, Keras API handles it              losses = self.model.train_on_batch(observations, [acts_and_advs, returns])          return ep_rews        def _returns_advantages(self, rewards, dones, values, next_value):          # next_value is the bootstrap value estimate of a future state (the critic)          returns = np.append(np.zeros_like(rewards), next_value, axis=-1)          # returns are calculated as discounted sum of future rewards          for t in reversed(range(rewards.shape[0])):              returns[t] = rewards[t] + self.params['gamma'] * returns[t+1] * (1-dones[t])          returns = returns[:-1]          # advantages are returns - baseline, value estimates in our case          advantages = returns - values          return returns, advantages        def test(self, env, render=True):          # unchanged from previous section          ...        def _value_loss(self, returns, value):          # unchanged from previous section          ...        def _logits_loss(self, acts_and_advs, logits):          # unchanged from previous section          ...

训练&结果

我们现在已经准备好在CartPole-v0上训练这个single-worker A2C agent！训练过程应该只用几分钟。训练结束后，你应该看到一个智能体成功地实现了200分的目标。

rewards_history = agent.train(env)  print("Finished training, testing...")  print("%d out of 200" % agent.test(env)) # 200 out of 200

在源代码中，我包含了一些额外的帮助程序，可以打印出正在运行的episode的奖励和损失，以及rewards_history。

静态计算图

eager mode效果这么好，你可能会想知道静态图执行是否也可以。当然是可以！而且，只需要多加一行代码就可以启用静态图执行。

with tf.Graph().as_default():      print(tf.executing_eagerly()) # False        model = Model(num_actions=env.action_space.n)      agent = A2CAgent(model)        rewards_history = agent.train(env)      print("Finished training, testing...")      print("%d out of 200" % agent.test(env)) # 200 out of 200

有一点需要注意的是，在静态图执行期间，我们不能只使用 Tensors，这就是为什么我们需要在模型定义期间使用CategoricalDistribution的技巧。

One More Thing…

还记得我说过TensorFlow在默认情况下以eager 模式运行，甚至用一个代码片段来证明它吗？好吧,我骗了你。

如果你使用Keras API来构建和管理模型，那么它将尝试在底层将它们编译为静态图。所以你最终得到的是静态计算图的性能，它具有eager execution的灵活性。

你可以通过model.run_eager标志检查模型的状态，还可以通过将此标志设置为True来强制使用eager mode，尽管大多数情况下可能不需要这样做——如果Keras检测到没有办法绕过eager mode，它将自动退出。

为了说明它确实是作为静态图运行的，这里有一个简单的基准测试：

# create a 100000 samples batch  env = gym.make('CartPole-v0')  obs = np.repeat(env.reset()[None, :], 100000, axis=0)

Eager Benchmark

%%time    model = Model(env.action_space.n)  model.run_eagerly = True    print("Eager Execution:  ", tf.executing_eagerly())  print("Eager Keras Model:", model.run_eagerly)    _ = model(obs)    ######## Results #######    Eager Execution:   True  Eager Keras Model: True  CPU times: user 639 ms, sys: 736 ms, total: 1.38 s

Static Benchmark

%%time    with tf.Graph().as_default():      model = Model(env.action_space.n)        print("Eager Execution:  ", tf.executing_eagerly())      print("Eager Keras Model:", model.run_eagerly)        _ = model.predict(obs)    ######## Results #######    Eager Execution:   False  Eager Keras Model: False  CPU times: user 793 ms, sys: 79.7 ms, total: 873 ms

Default Benchmark

%%time    model = Model(env.action_space.n)    print("Eager Execution:  ", tf.executing_eagerly())  print("Eager Keras Model:", model.run_eagerly)    _ = model.predict(obs)    ######## Results #######    Eager Execution:   True  Eager Keras Model: False  CPU times: user 994 ms, sys: 23.1 ms, total: 1.02 s

正如你所看到的，eager模式位于静态模式之后，默认情况下，模型确实是静态执行的。

结论

希望本文对理解DRL和即将到来的TensorFlow 2.0有所帮助。请注意，TensorFlow 2.0仍然只是预览版的，一切都有可能发生变化，如果你对TensorFlow有什么特别不喜欢(或喜欢:))的地方，请反馈给开发者。

一个总被提起的问题是，TensorFlow是否比PyTorch更好？也许是，也许不是。两者都是很好的库，所以很难说是哪一个更好。如果你熟悉PyTorch，你可能会注意到TensorFlow 2.0不仅赶上了它，而且还避免了PyTorch API的一些缺陷。

无论最后谁胜出，对于开发者来说，这场竞争给双方都带来了净积极的结果，我很期待看到这些框架未来会变成什么样子。