PyTorch强化学习实战(1)——强化学习环境配置与PyTorch基础

PyTorch强化学习实战(1)——强化学习环境配置与PyTorch基础

  • 0. 前言
  • 1. 搭建 PyTorch 环境
  • 2. OpenAI Gym简介与安装
  • 3. 模拟 Atari 环境
  • 4. 模拟 CartPole 环境
  • 5. PyTorch 基础
  • 小结
  • 0. 前言

    工欲善其事,必先利其器。为了更专注于学习强化学习的思想,而不必关注其底层的计算细节,我们首先搭建相关深度学习环境,主要包括 Python 以及 PyTorchPython,更具体说使用 Python3.7+ 作为我们实现强化学习算法进行实战的编程语言。PyTorch 是我们将要使用的主要深度学习框架,PyTorchFacebook AI Research 基于 Torch 开发,是主流的机器学习库之一。在 PyTorch 中,使用张量 (Tensors) 代替了 NumPy 中的 ndarray 数据类型,从而提供了更强大的灵活性和与 GPU 的兼容性。由于其强大的计算图特性和简单的上手难度,使得 PyTorch 受到了广泛的欢迎,并且它已被越来越多的科技巨头所采用。

    1. 搭建 PyTorch 环境

    关于 Python 的安装和配置,在此不再赘述。可选的,由于,深度学习中模型的训练需要大量时间,因此通常使用 GPU加速计算,在安装 PyTorch 之前需要根据选用的 PyTorch 版本和显卡安装 CUDAcudnn,关于 CUDAcudnn 的安装和配置可以参考官方文档,建议在安装之前根据自己的操作系统认真查看官方的安装文档,可以避免踩不必要的坑。
    然后,在 PyTorch 官方网页,根据自己实际的环境,进行相应的选择,在 Run this Command 栏中将给出安装 PyTorch 的命令:

    Run this Command

    在此,我们以 LinuxpipPythonCUDA10.2 为例,复制并在终端执行安装命令:

    pip3 install torch torchvision torchaudio
    

    为了确认 PyTorch 已正确安装,可以在 Python shell 中运行以下代码:

    >>> import torch
    >>> test = torch.empty(2,2)
    >>> print(test)
    tensor([[2.9685e-26, 4.5722e-41],
            [2.9685e-26, 4.5722e-41]])
    

    如果能够正确调用 PyTorch 相关函数,表明 PyTorch 已正确安装。需要注意的是,以上代码中,使用 torch.emty() 中创建了一个尺寸为 2 x 2 的张量,它是一个空矩阵,这里的“空”并不意味着所有元素的值都为 Null,而是使用一些被认为是占位符的无意义浮点数,需要在之后进行赋值,这与 NumPy 中的空数组类似。

    2. OpenAI Gym简介与安装

    深度学习环境配置后,我们继续安装 OpenAI GymOpenAI Gym 提供多种环境,可以在其中开发和比较强化学习算法,通过提供标准 API 用于学习算法和环境之间的通信。Gym 事实上已经成为用于强化学习中的基准,涵盖了许多功能全面且易于使用的环境。这类似于我们经常在监督学习中用作基准的数据集,例如 MNISTImagenet,和 Reuters 新闻数据集。
    OpenAI 是一家致力于建立安全的人工智能并确保其对人类有益的非营利性研究公司。OpenAI Gym 是一个功能强大的开源工具包,可用于各种强化学习模拟和任务,包括从赛车到 Atari 游戏等多种类型,Gym 提供的完整环境列表可以参见官方网页。我们可以使用任何机器学习库,包括 PyTorchTensorFlowKeras 等,训练智能体与 OpenAI Gym 环境进行交互。
    Gym 的安装与其它标准第三方库一样,可以通过 pip 命令方便的安装:

    pip install gym
    

    安装完成后,可以在命令行中使用以下代码来查看可用的 gym 环境:

    >>> import gym
    >>> print(gym.envs.registry.all())
    dict_values([EnvSpec(Copy-v0), EnvSpec(RepeatCopy-v0), EnvSpec(ReversedAddition-v0), EnvSpec(ReversedAddition3-v0), EnvSpec(DuplicatedInput-v0), EnvSpec(Reverse-v0), EnvSpec(CartPole-v0), EnvSpec(CartPole-v1), EnvSpec(MountainCar-v0), EnvSpec(MountainCarContinuous-v0), EnvSpec(Pendulum-v0),...
    

    可以看到,如果正确安装了 Gym,使用 gym.envs.registry.all() 可以返回 Gym 中所有可用的环境。

    3. 模拟 Atari 环境

    Atari 环境中包含各种 Atari 电子游戏,例如 AlienAirRaidPongSpace Race 等。接下来,我们按照以下步骤安装模拟 Atari 环境,要运行 Atari 环境,需要在终端中运行以下命令安装 Atari 依赖项:

    pip install gym[atari]
    

    安装 Atari 依赖项后,我们可以使用 Python 导入 Gym 库来验证安装是否成功:

    >>> import gym
    

    使用 Gym,可以通过使用环境名称作为参数调用 make() 方法创建环境实例。以创建 SpaceInvaders 环境的实例为例:

    >>> env = gym.make('SpaceInvaders-v0')
    

    重置 SpaceInvaders 环境,可以看到 reset() 方法返回环境中的初始状态:

    >>> env.reset()
    array([[[ 0,  0,  0],
            [ 0,  0,  0],
            [ 0,  0,  0],
            ...,
            [ 0,  0,  0],
            [ 0,  0,  0],
            [ 0,  0,  0]],
           ...,
           [[80, 89, 22],
            [80, 89, 22],
            [80, 89, 22],
            ...,
            [80, 89, 22],
            [80, 89, 22],
            [80, 89, 22]]], dtype=uint8)
    

    使用 render 方法渲染 SpaceInvaders 环境,可以看到弹出的游戏窗口:

    >>> env.render()
    True
    

    SpaceInvaders

    在以上游戏窗口中可以看到,其中包含三个红色太空飞船,表示飞船包含三条命。使用 sample() 方法可以随机选择智能体执行的动作,step() 方法使智能体根据给定参数执行相应动作。通常,在强化学习中,我们将使用复杂的智能体选择要执行的动作。在这里,仅仅为了演示如何模拟环境,以及智能体如何采取行动而不管结果如何。通过随机选择动作并执行所选择的动作:

    >>> action = env.action_space.sample()
    >>> new_state, reward, is_done, info = env.step(action)
    

    step() 方法可以返回执行动作后的情况,包括以下内容:

  • new_state:对游戏环境新的观测值 (observation),在单智能体环境中也可以理解为新状态
  • reward:执行动作后在新状态下得到的相应奖励
  • is_done:用于指示游戏是否结束的标志,例如,在 SpaceInvaders 环境中,如果飞船三条命耗尽或所有外星敌人都被消失,则为 True,否则,为False
  • info:与环境有关的其他信息,例如,在 SpaceInvaders 环境中,info 中包含当前状态下飞船剩余生命的数量,info 通常用于程序的调试
  • 可以通过 action_sapce 查看智能体能够执行的动作数量,即动作空间大小:

    >>> print(env.action_space)
    Discrete(6)
    

    SpaceInvaders 环境中,从 05 的动作分别代表不进行任何操作,开火,向上,向右,向左和向下,这是飞船在游戏中可以做的所有动作。
    对环境的观察值 new_state 是一个形状为 210 x 160 x 3 的矩阵,即游戏屏幕的每一帧都是大小为 210 x 160RGB 图像:

    >>> print(new_state.shape)
    (210, 160, 3)
    

    接下来,我们打印 is_doneinfo 查看其具体内容:

    >>> print(is_done)
    False
    >>> print(info)
    {'ale.lives': 3}
    

    然后,继续渲染环境,render() 方法根据对环境的最新观察值来更新显示窗口,可以看到游戏窗口中的内容有所改变,但由于飞船只做了一个动作,因此改变并不明显:

    >>> env.render()
    

    环境更新

    为了使智能体执行更多动作,我们接下来使用 while 循环:

    >>> while not is_done:
    ...     action = env.action_space.sample()
    ...     new_state, reward, is_done, info = env.step(action)
    ...     env.render()
    ...     print(info)
    ... 
    True
    {'ale.lives': 3}
    True
    {'ale.lives': 3}
    True
    ...
    {'ale.lives': 1}
    True
    {'ale.lives': 0}
    

    可以看到游戏的运行情况,飞船和外星人都会不断移动和射击。最后,在游戏结束时,窗口如下所示,在这场游戏中获取 30 分,并且最终的生命值为 0

    游戏终止状态

    额外安装 Atari 依赖项的原因是由于其并不包含在 gym 环境中,此外 Box2dClassic controlMuJoCoRobotics 等环境也并不在 gym 环境中,这些环境的安装与 Atari 的安装类似,以 Box2d 环境为例,在首次运行环境之前安装 Box2d 依赖项:

    pip install gym[box2d]
    

    安装完成后,我们就可以使用 LunarLander 环境,如下所示:

    >>> env = gym.make('LunarLander-v2')
    >>> env.reset()
    array([-1.2830734e-03,  1.4214842e+00, -1.2998608e-01,  4.6951649e-01,
            1.4936496e-03,  2.9443752e-02,  0.0000000e+00,  0.0000000e+00],
          dtype=float32)
    >>> env.render()
    True
    

    LunarLander

    如果并不确定要模拟环境在 make() 方法中应使用的名称,可以在官方环境列表中进行查找。该表除了给出用于调用环境的名称外,还列出了游戏窗口画面矩阵的尺寸和可以采取的动作数量。

    4. 模拟 CartPole 环境

    为了加深对 gym 环境的了解,本节我们将模拟另一个强化学习中的经典环境—— CartPole
    CartPole 是一项经典的强化学习任务,在 CartPole 环境中,一根直立的杆置于推车的顶部。智能体在一个时间步中会将推车向左或向右移动 1 个单位,其目的是平衡推车顶部的杆并防止其跌落。如果杆与垂直方向的夹角超过 12 度或者推车离原点的距离超过 2.4 个单位,则我们认为杆已跌落。遇到以下任何情况之一,我们可以认为一个回合/情节 (episode) 终止:

  • 推车上的杆跌落
  • 时间步数达到 200
  • 接下来,我们在 gym 中模拟 CartPole 环境,为了对 CartPole 环境有所了解,我们首先导入 gym 库,实例化 CartPole-v0 环境,并打印其状态空间和动作空间:

    >>> import gym
    >>> env = gym.make('CartPole-v0')
    >>> print(env.observation_space)
    Box(4,)
    >>> print(env.action_space)
    Discrete(2)
    

    可以看到 CartPole-v0 环境的状态空间以 4 维数组表示,并且有 2 个可能的动作。
    接下来,重置环境,将返回 4 个浮点数数组表示的初始状态:

    >>> env.reset()
    array([ 0.0461389 , -0.0080376 ,  0.03944101,  0.03537847])
    

    渲染环境,可以看出弹出的游戏窗口:

    >>> env.render()
    True
    

    CartPole-v0

    接下来,我们使用 while 循环,使智能体执行尽可能多的随机动作:

    >>> is_done = False
    >>> while not is_done:
    ...     action = env.action_space.sample()
    ...     new_state, reward, is_done, info = env.step(action)
    ...     env.render()
    ...     print(new_state)
    ... 
    True
    [ 0.04970809 -0.0091745   0.03525649  0.06046739]
    True
    [ 0.0495246  -0.20478375  0.03646584  0.36406219]
    ......
    True
    [-0.0470163  -1.19033894  0.21028888  2.08433865]
    

    我们在每个时间步中打印出当前状态,数组中的包含 4 个浮点数,可以在 Gym GitHub Wiki 页面上找到关于这 4 个浮点数的更多信息,这 4 个浮点数分别表示:

  • 推车位置:范围在区间 [-2.4, 2.4] 之内,任何超出此范围的位置都会导致回合终止
  • 推车速度
  • 杆与垂直方向夹角:小于 -0.209 (-12 度)或大于 0.209 (12 度)的值将导致回合终止
  • 杆端点处的速度
  • 动作的可能值为 01,分别对应于将推车向左和向右推动。在回合终止之前的每个时间步中,智能体都能从环境中得到奖励 +1,因此,总奖励等于一个回合中的时间步总数。
    在代码执行过程中,可以看到推车和杆都会移动,并最终停止,停止时游戏窗口如下所示:

    终止状态

    由于向左或向右的动作是随机选择的,因此一个回合仅持续几个时间步。我们也可以记录整个过程,以便进行回顾。为了录制视频记录游戏过程,我们首先需要安装 ffmpeg,对于 Linux,可以使用以下命令进行安装,对于其他操作系统,可以参考官方文档

    sudo apt-get install ffmpeg
    

    为了进行记录,需要创建 CartPole 实例后,使用 Monitor 对象记录游戏窗口中显示的内容并将其存储在指定目录中,其余的步骤和以上过程完全一致:

    # monitor_gym.py
    import gym
    
    env = gym.make('CartPole-v0')
    env.reset()
    video_dir = './cartpole_video'
    env = gym.wrappers.Monitor(env, video_dir)
    is_done = False
    while not is_done:
        action = env.action_space.sample()
        new_state, reward, is_done, info = env.step(action)
        env.render()
    

    运行以上代码,回合终止后,我们可以看到在 video_dir 文件夹中包含了一个 .mp4 文件,其中记录了一个回合的游戏过程。

    游戏过程

    为了评估智能体的表现,我们可以模拟多个回合,计算每个回合的总奖励,然后计算平均值。平均总奖励可以用于评估采取随机动作的智能体性能,我们使用 10000 个回合,在每个回合中,我们通过累积每个时间步中的奖励来计算总奖励:

    # multi_episodes.py
    import gym
    env = gym.make('CartPole-v0')
    n_episode = 10000
    total_rewards = []
    
    for e in range(n_episode):
        state = env.reset()
        total_reward = 0
        is_done = False
        while not is_done:
            action = env.action_space.sample()
            state, reward, is_done, info = env.step(action)
            total_reward += reward
        total_rewards.append(total_reward)
    # 最后,我们计算平均总奖励
    print('Average total reward over {} episodes: {}'.format(n_episode, sum(total_rewards) / n_episode))
    

    运行以上代码,可以看到以下输出:

    Average total reward over 10000 episodes: 22.1942
    

    可以看出,采取随机动作的平均总奖励为 22.25,采取随机动作过于简单,我们将在之后的学习中实现更加有效的算法策略。

    5. PyTorch 基础

    我们将使用 PyTorch 作为实现强化学习算法的数值计算库。PyTorchFacebook 开发的科学计算和机器学习库,张量 (Tensor) 是 PyTorch 中的核心数据结构,类似于 NumPy 中的 ndarray。 但是,PyTorch 在数组操作和遍历等方面的速度比 NumPy 更快,这主要是由于在 PyTorch 中,数组元素的访问速度更快。接下来,我们介绍一些 PyTorch 中的基本知识,以便在之后的强化学习实战中使用。
    默认张量 (Tensor) 的数据类型是 torch.float32,这是张量运算最常用的数据类型。从区间 [0,1] 的均匀分布中随机采样生成浮点数:

    >>> import torch
    >>> x = torch.rand(4,3)
    >>> print(x)
    tensor([[0.1968, 0.6183, 0.9863],
            [0.6465, 0.5472, 0.7393],
            [0.4933, 0.1890, 0.0459],
            [0.4462, 0.8802, 0.4948]])
    

    我们也可以创建指定数据类型的张量,例如,返回一个 double 类型的张量 (float64),如下所示:

    >>> x = torch.rand(4,3,dtype=torch.double)
    >>> print(x)
    tensor([[0.3899, 0.2509, 0.5130],
            [0.5605, 0.5399, 0.2442],
            [0.5419, 0.8523, 0.3360],
            [0.4898, 0.1152, 0.4379]], dtype=torch.float64)
    

    创建指定尺寸的矩阵,并用 01 进行填充:

    >>> x = torch.zeros(4,3)
    >>> print(x)
    tensor([[0., 0., 0.],
            [0., 0., 0.],
            [0., 0., 0.],
            [0., 0., 0.]])
    >>> x = torch.ones(4,3)
    >>> print(x)
    tensor([[1., 1., 1.],
            [1., 1., 1.],
            [1., 1., 1.],
            [1., 1., 1.]])
    

    可以使用数据的 size 方法获得张量的尺寸,其返回 torch.Size 元组:

    >>> print(x.size())
    torch.Size([4, 3])
    

    可以使用 view 方法变换张量形状:

    >>> x_reshaped = x.view(2,6)
    >>> print(x_reshaped)
    tensor([[1., 1., 1., 1., 1., 1.],
            [1., 1., 1., 1., 1., 1.]])
    

    可以直接使用数据创建张量,包括单个值,列表和嵌套列表:

    >>> x_1 = torch.tensor(4)
    >>> print(x_1)
    tensor(4)
    >>> x_2 = torch.tensor([11.11,22,33,0])
    >>> print(x_2)
    tensor([11.1100, 22.0000, 33.0000,  0.0000])
    >>> x_3 = torch.tensor([[1,2,3,4],[5,6.6,7.7,8.0]])
    >>> print(x_3)
    tensor([[1.0000, 2.0000, 3.0000, 4.0000],
            [5.0000, 6.6000, 7.7000, 8.0000]])
    

    可以使用类似于 NumPy 的方式利用索引来访问张量中的元素,对于单元素张量,我们也可以使用 item() 方法来访张量中的元素:

    >>> print(x_3[0])
    tensor([1., 2., 3., 4.])
    >>> print(x_3[0,0])
    tensor(1.)
    >>> print(x_3[:,2])
    tensor([3.0000, 7.7000])
    >>> print(x_3[:,2:])
    tensor([[3.0000, 4.0000],
            [7.7000, 8.0000]])
    >>> print(x_1.item())
    4
    

    TensorNumPy 数组可以相互转换,使用 numpy() 方法可以将张量转换为 NumPy 数组,而想要将 NumPy 数组转换为张量想要使用 from_numpy() 方法:

    >>> print(x_3.numpy())
    [[1.  2.  3.  4. ]
     [5.  6.6 7.7 8. ]]
    >>> import numpy as np
    >>> x_np = np.ones(4)
    >>> x_torch = torch.from_numpy(x_np)
    >>> print(x_torch)
    tensor([1., 1., 1., 1.], dtype=torch.float64)
    

    需要注意的是,如果输入的 NumPy 数组是 float 数据类型,输出张量默认情况下为 double 类型,因此可能需要类型转换。在以下代码中,我们可以将 double 类型的张量转换为 float 类型:

    >>> print(x_torch.float())
    tensor([1., 1., 1., 1.])
    

    PyTorch 中的运算操作也类似于 NumPy。接下来,我们以加法为例,可以直接使用 + 运算符,或者使用 add() 方法:

    >>> x_4 = torch.tensor([[1,1,1,0],[1,2,3,4.]])
    >>> print(x_3+x_4)
    tensor([[ 2.0000,  3.0000,  4.0000,  4.0000],
            [ 6.0000,  8.6000, 10.7000, 12.0000]])
    >>> print(torch.add(x_3, x_4))
    tensor([[ 2.0000,  3.0000,  4.0000,  4.0000],
            [ 6.0000,  8.6000, 10.7000, 12.0000]])
    

    同时,PyTorch 也支持就地 (in-place) 操作,这类操作可以直接改变张量对象:

    >>> x_3.add_(x_4)
    tensor([[ 2.0000,  3.0000,  4.0000,  4.0000],
            [ 6.0000,  8.6000, 10.7000, 12.0000]])
    >>> print(x_3)
    tensor([[ 2.0000,  3.0000,  4.0000,  4.0000],
            [ 6.0000,  8.6000, 10.7000, 12.0000]])
    

    在以上输出中,可以看到使用 add_() 方法,会直接修改 x_3 的值,将其改变为原始 x_3x_4 之和。在 PyTorch 中,带有 _ 的方法都表明其为就地操作,它将使用结果值来更新张量。
    默认情况下,PyTorch 张量存储在 CPU 上。PyTorch 张量可以使用 GPU 加速计算,这是张量与 NumPy 数组相比的主要优势。为了利用此优势,我们需要将张量移动到 CUDA 设备上。使用 cuda.is_available() 方法可以检测cuda的可用性,可以使用 to() 方法将张量移动到任何可用设备上:

    >>> torch.cuda.is_available()
    True
    >>> torch.cuda.device_count() # 统计可用的GPU数量
    1
    >>> torch.cuda.current_device() # 当前GPU索引
    0
    >>> torch.cuda.get_device_name(0) # GPU型号
    'NVIDIA GeForce RTX 2070 SUPER'
    >>> x_3.device # 当前设备
    device(type='cpu')
    >>> device = 'cuda' if torch.cuda.is_available() else 'cpu'
    >>> x_3 = x_3.to(device) # 将张量转移到指定设备上
    >>> x_3.device
    device(type='cuda', index=0)
    >>> x_5 = torch.ones(3,3,device=device) # 创建张量时指定张量
    >>> print(x_5)
    tensor([[1., 1., 1.],
            [1., 1., 1.],
            [1., 1., 1.]], device='cuda:0')
    

    小结

    本节中主要介绍了如何搭建 PyTorch+Gym 强化学习环境,同时讲解了如何使用 Gym 环境,包括使用 make() 创建指定环境、reset() 方法重置游戏环境、render() 方法渲染环境、sample() 方法采样随机动作以及 step() 方法使用指定动作返回新的环境状态等,最后还介绍了 PyTorch 的基础知识,为之后使用 PyTorch 进行强化学习实战奠定基础。

    物联沃分享整理
    物联沃-IOTWORD物联网 » PyTorch强化学习实战(1)——强化学习环境配置与PyTorch基础

    发表评论