如何利用TensorForce框架快速搭建深度强化学习模型

深度强化学习已经在许多领域取得了瞩目的成就，并且仍是各大领域受热捧的方向之一。本文深入浅出的介绍了如何利用TensorForce框架快速搭建深度强化学习模型。

深度强化学习(Deep Reinforcement Learning, DRL)是目前最热门的方向之一，从视频游戏、围棋、蛋白质结构预测到机器人、计算机视觉、推荐系统等领域已经取得了很多令人瞩目的成就且仍在蓬勃发展中。

AlphaGo第一作者Davild Silver就认为通用人工智能需要强化学习结合深度学习来实现，即AGI=DL+RL。

框架

为了便于研究人员快速搭建出强化学习模型，很多机构发布了强化学习基准算法或框架，其中较早的有OpenAI Baselines [1]、伯克利的rllab [2]，最新的有18年谷歌发布的Dopamine [3]、Facebook发布的Horizon [4]。具体见下表：

本文介绍的是TensorForce并非由这些大机构发布，而是由几个剑桥大学的博士生开发、维护的。

当时选择TensorForcce是因为需要在ROS框架下开发，而如上表列出的，它完全支持Python2，且包含很多主流的强化学习算法、支持OpenAI Gym、DeepMind Lab等常用于强化学习算法测试的基准环境。

TensorForce是架构在TensorFlow上的强化学习API，最早在17年就开源了，并发布了博客[5]介绍其背后的设计思想及基本应用。

这里简单介绍一下TensorForce的设计思想。

框架设计的难点在于如何解耦出其它层面的内容，尽可能将共用的部分抽象出来。拿强化学习来说，智能体与环境不断通过交互试错来学习，如果由我们从头自己编程实现某个RL任务，为了方便智能体与环境很自然地会写在一起。但作为框架却不行，需要将智能体从环境中解耦出来。

TensorForce包括了下面四个层面的概念：

Environment <-> Runner <-> Agent <-> Model

Agent在训练前可以加载model，训练后保存model，运行时接收state，(预处理后)作为model的输入，返回action。模型会根据算法及配置自动更新。Runner将Agent和Environment之间的交互抽象出来作为函数。Environment根据应用场景的不同需要自己写接口，后文会提供一个机器人导航环境的接口案例。如果是学习或者算法测试，可以使用现成的基准环境，TensorForce提供了OpenAI Gym、OpenAI Universe和DeepMind Lab的接口。

第一行代码

下面通过使用近端策略优化(Proximal Policy Optimization, PPO)算法训练OpenAI Gym中倒立摆来初识TensorForce的简洁和强大。

from tensorforce.agents import PPOAgentfrom tensorforce.execution import Runnerfrom tensorforce.contrib.openai_gym import OpenAIGym# Create an OpenAIgym environment.environment=OpenAIGym('CartPole-v0',visualize=True)network_spec=[dict(type='dense',size=32,activation='relu'),dict(type='dense',size=32,activation='relu')]agent = PPOAgent(states=environment.states,actions=environment.actions,network=network_spec,step_optimizer=dict(type='adam',learning_rate=1e-3),saver=dict(directory='./saver/',basename='PPO_model.ckpt',load=False,seconds=600),summarizer=dict(directory='./record/',labels=["losses","entropy"],seconds=600),)# Create the runnerrunner=Runner(agent=agent,environment=environment)# Start learningrunner.run(episodes=600, max_episode_timesteps=200)runner.close()

很快，倒立摆能够平衡：

使用TensorBoard查看训练过程（左图是loss，右图是entropy）：

上面我们只用了30行代码实现了PPO算法训练倒立摆，代码首先定义了环境和网络（两层32个节点的全连接网络，激活函数为relu），然后定义了agent，agent的参数中states, actions, network三个参数是必填的，step_optimizer定义了优化器，saver和summarizer分别保存模型和训练过程。最后通过runner来实现agent和environment的交互，总共跑了600个episodes，每个episode的最大步长是200。

runner解耦出了交互过程，实际上是是下面过程的循环：

# Query the agent for its action decisionaction = agent.act(state)# Execute the decision and retrieve the current informationobservation, terminal, reward = GazeboMaze.execute(action)# Pass feedback about performance (and termination) to the agentagent.observe(terminal=terminal, reward=reward)

在上述过程中，agent会储存相关信息来更新模型，比如DQNAgent会存储(state, action, reward, next_state)。

视频游戏

TensorForce提供了丰富的observation预处理功能，视频游戏是DRL最先取得突破的方向，以Flappy Bird为例，需要进行四个步骤的预处理：

转化为灰度图，去除不必要的颜色信息；

缩小输入的游戏截屏，resize为80*80；

堆叠连续的四帧，推导出运行信息；

归一化处理，以便于训练。

使用TensorForce可以很方便地进行预处理：

states = dict(shape=(3264, 18723, 3), type='float')states_preprocessing_spec = [dict( type='image_resize', width=80, height=80), dict( type='grayscale'),dict( type='normalize')dict( type='sequence', length=4)]agent = DQNAgent( states=states, actions=actions, network=network_spec, states_preprocessing=states_preprocessing_spec)

环境搭建

如果要在具体的应用场景中使用TensorForce就需要根据应用场景手动搭建环境，环境的模板为environment.py [7]，其中最重要的函数是execute，该函数接收agent产生的action，并在环境中执行该action，然后返回next_state，reward，terminal。这里我以搭建的Gazebo中的机器人导航环境为例，进行介绍。

首先搭建仿真环境如下图：

设计环境的接口及其与agent交互的过程：

仿真开始，init函数打开Gazebo并加载对应的导航环境，reset函数初始化机器人，execute函数接收到action后通过ROS发送对应的速度命令，Gazebo中的机器人接收到速度命令后执行对应的速度，机器人传感器返回相应的信息，计算对应的reward，读取视觉传感器的RGB图像作为next_state，判断是否到达目标点或者碰撞，如果是Terminal为True，该episode结束。完整的代码见 [8]。

复杂网络

DRL网络和算法是智能体最重要的两部分，一个确定模型结构、一个决定模型更新。上面只介绍了简单的模型，对于有些复杂网络需要层叠的方式来定义，如下如：

该网络的输入为64*48*3的RGB图像，由卷积层提取特征后与2维的速度信息和运动信息共同输入全连接层进行决策。首先定义state：

states=dict(image=dict(shape=(48,64,3),type='float'),#Observationprevious_act=dict(shape=(2,),type='float'),#velocityrelative_pos=dict(shape=(2,),type='float')#target)

然后定义action即velocity，这里为机器人的线速度（限制在[0,1]）和角速度（限制在[-1,1]）：

dict(linear_vel=dict(shape=(),type='float',min_value=0.0,max_value=1.0),angular_vel=dict(shape=(),type='float',min_value=-1.0,max_value=1.0))

然后通过层叠的方式来定义网络结构：

network_spec=[[dict(type='input',names=['image']),dict(type='conv2d',size=32,window=(8,6),stride=4,activation='relu',padding='SAME'),dict(type='conv2d',size=64,window=(4,3),stride=2,activation='relu',padding='SAME'),dict(type='pool2d',pooling_type='max',window=2,stride=2,padding='SAME'),dict(type='conv2d',size=64,window=2,stride=2,activation='relu',padding='SAME'),dict(type='flatten'),dict(type='output',name='image_output')],[dict(type='input',names=['image_output','previous_act','relative_pos'],aggregation_type='concat'),dict(type='dense',size=512,activation='relu'),dict(type='dense',size=512,activation='relu'),]]

完整代码见[8]

其它

1. agent会有actions_exploration参数来定义exploration，默认值为'none'，但这并不代表不探索，以PPO为例，模型在输出的时候不输出直接的确定性动作（只有DPG才会输出确定性动作），而是分布，输出在分布上采样输出，这可以看作是一种exploration。

2. 网络的输出层是根据action自动添加的，在network中定义输入层和隐藏层即可

3. 如果不再需要exploration而只是exploitation，则运行:

agent.act(action,deterministic=True)

此时agent执行greedy策略。而如果模型训练完成，不再训练则：

agent.act(action,independent=True)

此时函数只执行act不执行observe来更新模型

4. PPO算法相比于DQN，不仅性能好，并且对超参数更鲁棒，建议优先选择PPO