2019 年 Dota2 比赛中,AI 战胜世界冠军的最强算法在这里!
点击左上方蓝字关注我们
2019年Dota 2比赛中,OpenAI Five完胜世界冠队伍OG。
Bill Gates在Twitter中提到:“AI机器人在Dota 2中战胜人类,是AI发展的一个里程碑事件”。
无论AlphaGo击败围棋世界冠军还是OpenAI Five完胜世界冠队伍OG,都让大众感受到了AI的魅力,促进了AI蓬勃发展。
那么OpenAI Five应用了什么技术,实现在Dota中完胜世界冠军的呢?那就是Proximal Policy Optimization(PPO)算法,本文重点介绍基于飞桨PARL,完成PPO算法实践的过程。
飞桨PARL开源项目地址:
https://github.com/PaddlePaddle/PARL
PPO算法将游戏中所有的状态作为数据输入,通过数据分析计算,由PPO优化的智能体Agent做出相应的动作,智能体Agent的思考过程如下图所示。
在介绍PPO算法之前,我们先了解深度强化学习中基于策略梯度的Policy Gradient算法(以下简称PG)。
PG算法介绍
PG算法的基本组成如下图所示:
Actor:由智能体Agent产生的执行动作; Env:智能体Agent的执行环境; Reward Function:奖励计算方式,执行动作的评价指标。
智能体Agent在Env中不断学习,根据环境的状态State(也可以为观察到的observation,下文统一用State)来执行动作Action,过程中会根据反馈的Reward来选择效果更好的动作,实现逻辑如下图所示:
采用神经网络拟合策略函数,通过计算策略梯度来优化策略网络; 通过环境产生的状态State矩阵或者向量Vector作为神经网络的输入,通过神经网络得到每个执行动作的概率,选择概率最大的执行动作。
计算原理如下图所示:
在环境Env中得到状态State,Agent通过State得出使得Reward最大的执行动作Actor; Actor在环境中又得到新的State(next state) ; 重复以上动作,直到Reward Fuction不成立或者达到这次循环终止条件。此时可以计算出一个轨迹的发生概率(一个episode的发生概率)。
在优化神经网络时,除了需要向网络输入数据外,还要给网络一个期望的输出(label)。
优化的目标是策略的期望回报,即所有轨迹的回报与对应轨迹发生概率的加权和。当N足够大时,通过采样N个轨迹求平均的方式近似表达,简单理解就是所得Reward的平均值。每次都让网络来拟合之前Reward的平均值,通常优化策略越好,Reward会越高,不过也不是绝对的。
计算策略梯度公式如下图所示:
首先用函数求导的特点进行转化;然后用N次采样的平均值来近似期望;最后将展开,将与无关的项去掉,即得到最终的结果。
关于PG的经验之谈
PG是基于策略梯度求解RL的方法,按照概率分布随机选择动作,计算某个状态下所有策略的分布概率,类似于经典分类问题中,给每个类别预测一个概率,好的PG会给优良的策略分配较高的概率。
但它同时也存在一个缺点:优化是在一个完整的episode结束后,sample每一步的均值。只要最后结果很好,所有的动作全部当作好的动作来学习,因此在训练时很可能出现不稳定的情况,需要大量的数据集,保证足够多的sample次数。
Tip 1:增加基线,使得Reward有正有负。
Tip 2:分配适当的权重,选择在这个动作发生后的Reward总和作为动作的权重。
Tip 3:增加折扣因子。
PPO算法介绍
先了解强化学习常用的两种训练方式:On-policy和Off-policy。
On-policy:训练的agent一边互动一边学习(互动的agent就是训练的agent); Off-policy:训练的agent一边看一边学习(互动的agent不是训练的agent)。
举例来说,古代杰出帝王都需要深入了解民间百姓的真实生活,这两种策略就类似帝王们获取信息的途径。皇帝可以选择微服出巡(On-policy),虽然眼见为实,但毕竟皇帝本人分身乏术,掌握情况不全;也可以选择派不同的官员去了解情况,再向皇帝汇报(Off-policy)。
在网络训练过程中,通过采样更新权重非常耗时,每更新一个参数就需要采样一次,因此我们需要把On-policy训练方式转化成Off-policy。
从中采样出来的数据的期望值,可以替换为用采样出来的数据再乘以重要性权重。
值得注意的是,需要分布与分布差异很小才能采用这样的方式,如图所示。若当分布与分布相差较大时,需要足够多采样次数才能使他们的期望相近。
的期望和的期望最后相差的就是一个的系数(重要性权重),如果≈,那么他们的期望就相同(这里省略推导过程)。
PPO解决了On-policy转Off-policy时分布与分布相差较大的问题。通过KL散度来计算分布与分布差异,并将KL加入PPO模型的似然函数,并采用合理适配β来惩罚KL。KL过大我们就增加β,KL小于一定值我们就减小β,PPO算法过程如下图所示:
说明:在概率论或信息论中,通常使用KL散度( Kullback–Leibler divergence),又称相对熵(relative entropy),描述两个概率分布和差异。
Talk is cheap. Show me the code.
基于飞桨PARL实践PPO算法
下面我们基于飞桨PARL框架,动手实践PPO算法,介绍实现CarPole和四轴飞行器悬浮任务的操作过程。
项目可在百度AI Studio平台上运行:
https://aistudio.baidu.com/aistudio/projectdetail/632270
实践一:CartPole任务
基于飞桨PARL,使用PPO解决连续控制版本的CartPole问题,给小车一个力(连续量),使得车上的摆杆倒立起来。
1. 构建CartPole任务的Model、Algorithm和Agent。
构建PPO Model,需要声明Policy,定义Value的Model结构:
:
self.obs_dim = obs_dim
self.act_dim = act_dim
hid1_size = obs_dim *
10 hid3_size = act_dim *
10 hid2_size = int(np.sqrt(hid1_size * hid3_size))
self.lr =
9e-
4 / np.sqrt(hid2_size)
self.fc1 = layers.fc(size=hid1_size, act=
'tanh')
self.fc2 = layers.fc(size=hid2_size, act=
'tanh')
self.fc3 = layers.fc(size=hid3_size, act=
'tanh')
self.fc4 = layers.fc(size=act_dim, act=
'tanh')
self.logvars = layers.create_parameter(
shape=[act_dim],
dtype=
'float32',
default_initializer=fluid.initializer.ConstantInitializer(
init_logvar))
defpolicy(self, obs):
#策略 hid1 =
self.fc1(obs)
hid2 =
self.fc2(hid1)
hid3 =
self.fc3(hid2)
means =
self.fc4(hid3)
logvars =
self.logvars()
return means, logvars
defsample(self, obs):
#采样 means, logvars =
self.policy(obs)
sampled_act = means + (
layers.exp(logvars /
2.0) *
# stddev layers.gaussian_random(shape=(
self.act_dim, ), dtype=
'float32'))
return sampled_act
classValueModel(parl.Model): def__init__(self, obs_dim, act_dim):
super(ValueModel,
self).__init_
_()
hid1_size = obs_dim *
10 hid3_size =
5 hid2_size = int(np.sqrt(hid1_size * hid3_size))
self.lr =
1e-
2 / np.sqrt(hid2_size)
self.fc1 = layers.fc(size=hid1_size, act=
'tanh')
self.fc2 = layers.fc(size=hid2_size, act=
'tanh')
self.fc3 = layers.fc(size=hid3_size, act=
'tanh')
self.fc4 = layers.fc(size=
1)
defvalue(self, obs):
hid1 =
self.fc1(obs)
hid2 =
self.fc2(hid1)
hid3 =
self.fc3(hid2)
V =
self.fc4(hid3)
V = layers.squeeze(V, axes=[])
return V
构建Agent:
:
参数初始化(略)
defbuild_program(self):
#在静态图下构建program,定义图的输入和输出self.policy_predict_program = fluid.Program()
self.policy_sample_program = fluid.Program()
self.policy_learn_program = fluid.Program()
self.value_predict_program = fluid.Program()
self.value_learn_program = fluid.Program()
defpolicy_sample(self, obs):
#通过网络推理得到samplereturn sampled_act
defpolicy_predict(self, obs):
#通过网络推理得到predictreturn means
defvalue_predict(self, obs):
#通过网络推理得到value_predictreturn value
#用ppo算法更新policydefpolicy_learn(self, obs, actions, advantages):
self.alg.sync_old_policy()
all_loss, all_kl = [], []
for_in range(
self.policy_learn_times):
loss, kl =
self._batch_policy_learn(obs, actions, advantages)
all_loss.append(loss)
all_kl.append(kl)
ifself.loss_type ==
'KLPEN':
# Adative KL penalty coefficientif kl >
self.kl_targ *
2:
self.beta =
1.5 *
self.beta
elif kl <
self.kl_targ /
2:
self.beta =
self.beta /
1.5return np.mean(all_loss), np.mean(all_kl)
#用ppo算法更新valuedefvalue_learn(self, obs, value):
data_size = obs.shape[
0]
ifself.value_learn_buffer is
None: obs_train, value_train = obs, value
else: obs_train = np.concatenate([obs,
self.value_learn_buffer[
0]])
value_train = np.concatenate([value,
self.value_learn_buffer[
1]])
self.value_learn_buffer = (obs, value)
all_loss = []
for_in range(
self.value_learn_times):
random_ids = np.arange(obs_train.shape[
0])
np.random.shuffle(random_ids)
shuffle_obs_train = obs_train[random_ids]
shuffle_value_train = value_train[random_ids]
start =
0while start <
data_size:end = start +
self.value_batch_size
value_loss =
self._batch_value_learn(
shuffle_obs_train[
start:end,
:],
shuffle_value_train[
start:end])
all_loss.append(value_loss)
start +=
self.value_batch_size
return np.mean(all_loss)
构建PPO Algorithm,此段代码无需运行,便于大家理解PPO整个过程:
:
模型初始化略()
def_calc_logprob(self, actions, means, logvars):
exp_item = layers.elementwise_div(
layers.square(actions - means), layers.exp(logvars), axis=
1)
exp_item = -
0.
5 * layers.reduce_sum(exp_item, dim=
1)
vars_item = -
0.
5 * layers.reduce_sum(logvars)
logprob = exp_item + vars_item
return logprob
#计算KLdef_calc_kl(self, means, logvars, old_means, old_logvars):
log_det_cov_old = layers.reduce_sum(old_logvars)
log_det_cov_new = layers.reduce_sum(logvars)
tr_old_new = layers.reduce_sum(layers.exp(old_logvars - logvars))
kl =
0.
5 * (layers.reduce_sum(
layers.square(means - old_means) / layers.exp(logvars), dim=
1) + (
log_det_cov_new - log_det_cov_old) + tr_old_new -
self.act_dim)
return kl
defpolicy_learn(self, obs, actions, advantages, beta=None):
old_means, old_logvars =
self.old_policy_model.policy(obs)
old_means.stop_gradient = True
old_logvars.stop_gradient = True
old_logprob =
self._calc_logprob(actions, old_means, old_logvars)
means, logvars =
self.model.policy(obs)
logprob =
self._calc_logprob(actions, means, logvars)
kl =
self._calc_kl(means, logvars, old_means, old_logvars)
kl = layers.reduce_mean(kl)
2. 模型训练
def
main():
env
= ContinuousCartPoleEnv()
obs_dim = env.observation_space.shape[
0]
act_dim = env.action_space.shape[
0]
obs_dim +=
1# add 1 to obs dim for time step feature 应该是为了方便引入衰减因子 scaler = Scaler(obs_dim)
model = PPOModel(obs_dim, act_dim)
alg = parl.algorithms.PPO(
model,
act_dim=act_dim,
policy_lr=model.policy_lr,
value_lr=model.value_lr)
agent = PPOAgent(
alg, obs_dim, act_dim, kl_targ, loss_type=loss_type)
# 运行几个episode来初始化 scaler collect_trajectories(env, agent, scaler, episodes=
5)
test_flag =
0 total_steps =
0while total_steps < train_total_steps:
trajectories = collect_trajectories(
env, agent, scaler, episodes=episodes_per_batch)
total_steps += sum([t[
'obs'].shape[
0]
for t
in trajectories])
total_train_rewards = sum([np.sum(t[
'rewards'])
for t
in trajectories])
#产生训练数据 train_obs, train_actions, train_advantages, train_discount_sum_rewards = build_train_data(
trajectories, agent)
#计算policy_loss, kl policy_loss, kl = agent.policy_learn(train_obs, train_actions,
train_advantages)
value_loss = agent.value_learn(train_obs, train_discount_sum_rewards)
if total_steps
// test_every_steps >= test_flag:while total_steps
// test_every_steps >= test_flag: test_flag +=
1 eval_reward = run_evaluate_episode(env, agent, scaler)
[
07-23 12:00:44 MainThread @<ipython-input-7-710321de7941>:188] Steps
1001984, Evaluate reward:
23285.03. 实践效果
在CartPole环境下, Evaluate reward一直在上涨,达到了23285.0(训练过多可能会出现不稳定的情况)。
完整项目地址:
https://aistudio.baidu.com/aistudio/projectdetail/632270
实践二:四轴飞行器悬浮任务。
基于飞桨PARL,使用PPO实现四轴飞行器悬浮任务。您只需要获取如下文件,并在终端安装parl和rlschool后,运行python train.py,即可查看实践效果。
mujoco_model.py mujoco_agent.py scaler.py train.py
.py文件获取路径:
https://aistudio.baidu.com/aistudio/projectdetail/632270
实践效果
在rlschool环境下 四轴飞行器悬浮任务 Evaluate reward一直在上涨,达到了7107。
完整项目地址:
https://aistudio.baidu.com/aistudio/projectdetail/632270
文章小结
在文章开篇和大家一起学习了PG(Policy Gradient)算法是如何解决连续动作空间上求解RL, PG在更新策略时的优缺点及相应的避“坑儿”技巧,如:增加基线、合理适配action的权重、增加代价因子。 接下来介绍了强化学习常用的两种模型训练方式:On-policy与Off-policy,并引出PPO算法。 最后基于飞桨PARL框架,动手实践了PPO算法,完成了CarPole和四轴飞行器悬浮两个任务。
如果您想详细了解更多飞桨的相关内容,请参阅以下文档。
官网地址:
https://www.paddlepaddle.org.cn
飞桨PARL开源项目地址:
https://github.com/PaddlePaddle/PARL
飞桨开源框架项目地址:
GitHub:
https://github.com/PaddlePaddle/Paddle
Gitee:
https://gitee.com/paddlepaddle/Paddle
END
▼
觉得不错,请点个在看呀
最新评论
推荐文章
作者最新文章
你可能感兴趣的文章
Copyright Disclaimer: The copyright of contents (including texts, images, videos and audios) posted above belong to the User who shared or the third-party website which the User shared from. If you found your copyright have been infringed, please send a DMCA takedown notice to [email protected]. For more detail of the source, please click on the button "Read Original Post" below. For other communications, please send to [email protected].
版权声明:以上内容为用户推荐收藏至CareerEngine平台,其内容(含文字、图片、视频、音频等)及知识版权均属用户或用户转发自的第三方网站,如涉嫌侵权,请通知[email protected]进行信息删除。如需查看信息来源,请点击“查看原文”。如需洽谈其它事宜,请联系[email protected]。
版权声明:以上内容为用户推荐收藏至CareerEngine平台,其内容(含文字、图片、视频、音频等)及知识版权均属用户或用户转发自的第三方网站,如涉嫌侵权,请通知[email protected]进行信息删除。如需查看信息来源,请点击“查看原文”。如需洽谈其它事宜,请联系[email protected]。