0
| 本文作者： 隔壁王大喵 | 2018-03-20 14:44 |
雷鋒網(wǎng) AI 科技評(píng)論按：本文是 otoro.net 的系列技術(shù)博客之一，以通俗可視化的方法講解了進(jìn)化策略（Evolution Strategies）中的諸多概念。本篇介紹了如何使用進(jìn)化策略來尋找前饋神經(jīng)網(wǎng)絡(luò)智能代理的策略，以執(zhí)行由 gym 環(huán)境接口定義的各式各樣的連續(xù)控制強(qiáng)化學(xué)習(xí)任務(wù)。前一篇參見《進(jìn)化策略入門：最優(yōu)化問題的另一種視角》。雷鋒網(wǎng) AI 科技評(píng)論編譯。
代碼傳送門：GitHub
在上一篇文章中，我已經(jīng)介紹過了一些可以用于優(yōu)化函數(shù)參數(shù)而不用顯式地計(jì)算梯度的進(jìn)化策略（Evolution strategies, ES）算法。這些算法可以用于解決強(qiáng)化學(xué)習(xí)（Reinforcement learning, RL）問題，從而幫助神經(jīng)網(wǎng)絡(luò)智能體（Neural network agent）找到合適的模型參數(shù)。在本文中，我將探討如何將進(jìn)化策略應(yīng)用于某一些增強(qiáng)學(xué)習(xí)問題中，并重點(diǎn)介紹一些方法，以幫助我們找到更加穩(wěn)定和健壯的策略。
雖然強(qiáng)化學(xué)習(xí)算法需要在每個(gè)時(shí)間步都給予智能代理一個(gè)獎(jiǎng)勵(lì)信號(hào)，但是進(jìn)化策略算法只關(guān)心智能體在特定環(huán)境中展示（rollout）階段結(jié)束之后所獲得的最終累積獎(jiǎng)勵(lì)。在許多問題中，我們只知道任務(wù)結(jié)束時(shí)的結(jié)果，比如智能體是贏還是輸、機(jī)器人手臂是否拿起了物體、或者智能體是否存活了下來，而這些方面的問題都是進(jìn)化策略可能優(yōu)于傳統(tǒng)強(qiáng)化學(xué)習(xí)的點(diǎn)。下面是一段偽代碼，它將智能體的展示階段封裝在一個(gè) OpenAI Gym 環(huán)境中，在這個(gè)環(huán)境下我們只關(guān)心累積獎(jiǎng)勵(lì)：
def rollout(agent, env):
obs = env.reset()
done = False
total_reward = 0
while not done:
a = agent.get_action(obs)
obs, reward, done = env.step(a)
total_reward += reward
return total_reward
我們可以將 rollout 定義成目標(biāo)函數(shù)，因?yàn)槟繕?biāo)函數(shù)可以將智能代理的模型參數(shù)映射到最合適的分?jǐn)?shù)，然后正如上一篇文章所講解的，再使用一個(gè)進(jìn)化策略求解器去找到一組合適的模型參數(shù)：
env = gym.make('worlddomination-v0')
# use our favourite ES
solver = EvolutionStrategy()
while True:
# ask the ES to give set of params
solutions = solver.ask()
# create array to hold the results
fitlist = np.zeros(solver.popsize)
# evaluate for each given solution
for i in range(solver.popsize):
# init the agent with a solution
agent = Agent(solutions[i])
# rollout env with this agent
fitlist[i] = rollout(agent, env)
# give scores results back to ES
solver.tell(fitness_list)
# get best param & fitness from ES
bestsol, bestfit = solver.result()
# see if our task is solved
if bestfit > MY_REQUIREMENT:
break
我們的智能體將環(huán)境給予它的觀察結(jié)果作為輸入，然后在環(huán)境內(nèi)部展示期間的每個(gè)時(shí)間步輸出一個(gè)動(dòng)作。我們可以根據(jù)需要對(duì)代理進(jìn)行建模，并使用硬編碼規(guī)則、決策樹、線性函數(shù)以及遞歸神經(jīng)網(wǎng)絡(luò)中的方法。在這篇文章中，我使用一個(gè)帶有兩個(gè)隱含層的簡(jiǎn)單前饋網(wǎng)絡(luò)，將智能體的觀測(cè)結(jié)果（向量 x）直接映射到相應(yīng)的動(dòng)作（向量 y）：
其中的激活函數(shù) fh、fout 可以是 tanh、sigmoid、relu 或是其它你想要使用的函數(shù)。而對(duì)我而言，我喜歡使用 tanh。對(duì)于輸出層而言，有時(shí)我們可能希望 fout 是一個(gè)不含非線性變換的傳遞函數(shù)。如果我們將所有的權(quán)重和偏置項(xiàng)連接成一個(gè)向量 W，我們可以看到上述神經(jīng)網(wǎng)絡(luò)是一個(gè)確定性函數(shù) y=F(x, W)，然后我們可以使用進(jìn)化策略，結(jié)合之前介紹的搜索循環(huán)來找到一個(gè)解決方案 W。
但是如果我們不希望我們的智能體是確定性的呢？對(duì)于特定的某些任務(wù)，即使像石頭剪刀布一般簡(jiǎn)單，最優(yōu)策略也是一種隨機(jī)行為，所以我們希望智能代理能夠?qū)W習(xí)到一種隨機(jī)策略。將 y=F(x, W) 轉(zhuǎn)換為隨機(jī)策略的一種方法是使得 W 隨機(jī)。模型中的每個(gè)參數(shù) wi ∈ W 都是符合正態(tài)分布的隨機(jī)變量 N(μi, σi)。
這種隨機(jī)網(wǎng)絡(luò)被稱為貝葉斯神經(jīng)網(wǎng)絡(luò)。貝葉斯神經(jīng)網(wǎng)絡(luò)是一個(gè)權(quán)重帶有先驗(yàn)分布的神經(jīng)網(wǎng)絡(luò)。在這種情況下，我們想要求解的模型參數(shù)是 μ 和 σ 的向量集，而不是權(quán)重 W。在網(wǎng)絡(luò)每一次前向傳播的過程中，生成一個(gè)全新的符合 N(μ, σ I) 分布的 W。文獻(xiàn)中有許多有趣的工作將貝葉斯網(wǎng)絡(luò)應(yīng)用于許多問題中，并解決了許多訓(xùn)練網(wǎng)絡(luò)的挑戰(zhàn)。通過設(shè)置解空間為 μ 和 σ，而不是 W，進(jìn)化策略也可以用于直接找到隨機(jī)策略的解。
隨機(jī)策略網(wǎng)絡(luò)在強(qiáng)化學(xué)習(xí)的研究中也非常流行。例如，在近端策略優(yōu)化（PPO）算法中，最后一層是 μ 和 σ 的參數(shù)集合，并且動(dòng)作是從 N(μ, σ I) 中進(jìn)行采樣的。為參數(shù)增加噪音的操作也被稱為鼓勵(lì)智能代理探索環(huán)境并逃離局部最優(yōu)。我發(fā)現(xiàn)對(duì)于需要智能代理進(jìn)行探索的許多任務(wù)，我們并不需要整個(gè) W 都是隨機(jī)的，而僅僅只有偏置項(xiàng)滿足隨機(jī)性就足夠了。對(duì)于具有挑戰(zhàn)性的運(yùn)動(dòng)任務(wù)，例如 roboschool 環(huán)境中的運(yùn)動(dòng)任務(wù)，我通常使用進(jìn)化策略來找到一個(gè)隨機(jī)策略，其中只有偏置項(xiàng)的參數(shù)才符合正態(tài)分布。
我發(fā)現(xiàn)健壯策略研究是另一個(gè)可以應(yīng)用進(jìn)化策略算法的領(lǐng)域。我想控制數(shù)據(jù)效率之間的平衡，以及該策略在多個(gè)隨機(jī)實(shí)驗(yàn)中的健壯程度。為了證明這一點(diǎn)，我在一個(gè)叫做 BipedalWalkerHardcore-v2 的環(huán)境中測(cè)試了進(jìn)化策略，該環(huán)境是由 Oleg Klimov 使用 Box2D 物理引擎創(chuàng)建的，該引擎曾被用于開發(fā)《憤怒的小鳥》。
我們的智能代理解決了 BipedalWalkerHardcore-v2
在這種情況下，我們的智能代理必須學(xué)習(xí)到一個(gè)策略，以實(shí)現(xiàn)在有限時(shí)間內(nèi)能夠通過一個(gè)隨機(jī)生成的地形還不摔倒。這里涉及 24 個(gè)輸入，其中包括有 10 個(gè)雷達(dá)激光傳感器、角度參數(shù)和接觸器參數(shù)。智能體不知道自己在地圖中的絕對(duì)坐標(biāo)。動(dòng)作空間是 4 個(gè)連續(xù)值，控制著 4 臺(tái)電機(jī)的轉(zhuǎn)矩?？偑?jiǎng)勵(lì)的計(jì)算則基于智能體走過的總路程。一般情況下，如果智能體順利走完整個(gè)地圖，它將得到 300多分。此外根據(jù)全程施加的電機(jī)扭矩情況，還要再減去少量的分?jǐn)?shù)，因此這樣使得能量也成為了一個(gè)限制條件。
BipedalWalkerHardcore-v2 將任務(wù)完成定義為在超過 100 次連續(xù)的隨機(jī)試驗(yàn)中，智能代理的平均分達(dá)到 300 多。雖然使用強(qiáng)化學(xué)習(xí)算法訓(xùn)練智能體成功穿越地圖一兩次相對(duì)容易，但是要保證智能代理能始終如一且高效完成卻是很困難的，這使得該任務(wù)成為一項(xiàng)很有趣的挑戰(zhàn)。據(jù)我所知，到 2017 年 10 月為止，我的智能體是唯一已知能解決此問題的方案。
由于地形圖是針對(duì)每個(gè)實(shí)驗(yàn)隨機(jī)生成的，因此有時(shí)候地形也許會(huì)非常簡(jiǎn)單，而有時(shí)候地形也可能非常復(fù)雜。我們并不希望我們的自然選擇過程允許那些弱策略的智能體（通過簡(jiǎn)單的地形地圖）進(jìn)入下一代。另外我們也希望給那些擁有好策略的智能代理一個(gè)救贖的機(jī)會(huì)。所以我最終所做的是定義一個(gè)智能體分組（episode），作為 16 次隨機(jī)展示的平均值，并使用 16 次展示的累積獎(jiǎng)勵(lì)平均值作為其最適分?jǐn)?shù)（Fitness score）。
另一種對(duì)待這種事件的方法是，即使我們正在對(duì)智能體進(jìn)行超過 100 次試驗(yàn)的測(cè)試，我們通常會(huì)在單次試驗(yàn)中對(duì)其進(jìn)行訓(xùn)練，所以測(cè)試任務(wù)和我們正在優(yōu)化的訓(xùn)練任務(wù)并不一樣。通過在隨機(jī)環(huán)境中對(duì)所有智能代理進(jìn)行多次平均，我們縮小了訓(xùn)練集和測(cè)試集之間的差距。如果我們可以對(duì)訓(xùn)練集進(jìn)行過度訓(xùn)練，那么也可能會(huì)對(duì)測(cè)試集進(jìn)行過度訓(xùn)練，因?yàn)檫@在強(qiáng)化學(xué)習(xí)中是一件好事情。
當(dāng)然，我們算法的數(shù)據(jù)效率比現(xiàn)在差 16 倍，但最終的策略卻要健壯得多。當(dāng)我在超過 100 次連續(xù)隨機(jī)試驗(yàn)中測(cè)試最終策略時(shí)，我順利通過了這個(gè)環(huán)境，并得到了一個(gè)超過 300 點(diǎn)的平均分?jǐn)?shù)。如果沒有這種平均方法，最好的智能體在超過 100 次試驗(yàn)中智能的平均分?jǐn)?shù)大約只有 220 到 230。據(jù)我所知，截止 2017 年 10 月，這是解決該環(huán)境問題的第一個(gè)解決方案。
我還使用了 PPO，這是一種針對(duì)強(qiáng)化學(xué)習(xí)的最先進(jìn)的策略梯度算法，然后我試圖將其進(jìn)行調(diào)整以最佳化應(yīng)用到這項(xiàng)任務(wù)中。最后，我在 100 次隨機(jī)試驗(yàn)中只能讓 PPO 取得大約 240 到 250 的平均成績(jī)。但是我確信將來其他人可以使用 PPO 或其它強(qiáng)化學(xué)習(xí)算法來解決這個(gè)環(huán)境挑戰(zhàn)。
后續(xù)更新（2018 年 1 月）：
dgriff777 能夠使用帶有 4 個(gè)堆棧幀的 A3C+LSTM 連續(xù)版本作為輸入來訓(xùn)練 BipedalWalkerHardcore-v2，以在超過 100 次隨機(jī)試驗(yàn)中取得 300 分的成績(jī)。他在 GitHub 上開源了這個(gè)模型，由 pytorch 進(jìn)行編寫。
在現(xiàn)實(shí)世界中我們需要足夠安全的策略，所以控制數(shù)據(jù)效率和策略健壯性之間的權(quán)衡能力是非常有用和重要的。理論而言，如果有足夠的計(jì)算能力，我們甚至可以對(duì)所需的 100 次展示進(jìn)行平均，并將我們的雙足步行者直接優(yōu)化到滿足需求。專業(yè)工程師通常要求他們的設(shè)計(jì)滿足特定的質(zhì)量保證并滿足某些安全因素。當(dāng)我們訓(xùn)練智能代理去學(xué)習(xí)那些可能影響到現(xiàn)實(shí)世界的策略時(shí)，我們需要考慮到這些安全因素。
以下是進(jìn)化策略發(fā)現(xiàn)的一些其它解決方案：
我還使用具有高初始噪音參數(shù)的隨機(jī)策略網(wǎng)絡(luò)對(duì)智能體進(jìn)行訓(xùn)練，因此智能體可以在任何地方看到噪音，以至于它的行為也有點(diǎn)混亂。它導(dǎo)致了智能體在沒有對(duì)其輸入和輸出信息的準(zhǔn)確性進(jìn)行確認(rèn)的情況下也依然學(xué)習(xí)任務(wù)（這個(gè)智能體無法獲得 300 以上的分?jǐn)?shù)）：
我還試圖在簡(jiǎn)化的 Kuka 機(jī)器人手臂抓取任務(wù)中使用帶有該項(xiàng)平均技術(shù)的進(jìn)化策略。這個(gè)環(huán)境在 pybullet 環(huán)境中可以獲得。仿真中使用的 Kuka 模型被設(shè)計(jì)為類似于真正的 Kuka 機(jī)器人手臂。在這個(gè)簡(jiǎn)化的任務(wù)中，智能體被告知了物體的坐標(biāo)。
更高級(jí)的強(qiáng)化學(xué)習(xí)環(huán)境可能需要智能體直接從像素輸入中推理出一個(gè)動(dòng)作，但是在原則上，我們可以將此簡(jiǎn)化版模型與預(yù)訓(xùn)練好的卷積網(wǎng)絡(luò)組合在一起，通過卷積網(wǎng)絡(luò)給出坐標(biāo)的估計(jì)值。
使用隨機(jī)策略訓(xùn)練的機(jī)器人手臂抓取任務(wù)
如果智能體成功抓取物體，它將獲得 10000 分，否則為 0。然后再扣除一些能源消耗的分?jǐn)?shù)。通過對(duì) 16 個(gè)隨機(jī)試驗(yàn)的稀疏獎(jiǎng)勵(lì)進(jìn)行平均，我們可以讓進(jìn)化策略對(duì)健壯性進(jìn)行優(yōu)化。然而最終，我得到確定性策略或者隨機(jī)策略只能在 70% 至 75% 的時(shí)間內(nèi)抓取物體。這里還有提升的空間。
學(xué)習(xí)同時(shí)執(zhí)行多項(xiàng)復(fù)雜任務(wù)使得我們能更好地執(zhí)行單一任務(wù)。例如，少林寺的僧侶站在樹樁上舉重可以使得他們?cè)跊]有舉重的情況下更好地維持平衡。學(xué)習(xí)如何在山上以 80 英里/小時(shí)的速度駕駛汽車，并且還要保證不把杯子里的水灑出來，這會(huì)使得司機(jī)成為一個(gè)更好的非法街頭賽車手。我們還可以訓(xùn)練智能代理去執(zhí)行多項(xiàng)任務(wù)，以使得它們學(xué)習(xí)到更加穩(wěn)定的策略。
最近關(guān)于自我控制（Self-playing）智能體的研究工作表明，學(xué)習(xí)諸如 Sumo 摔跤（需要許多技巧的運(yùn)動(dòng)）等艱巨任務(wù)的智能代理也能用于執(zhí)行更簡(jiǎn)單的任務(wù)，例如迎著風(fēng)行走，而不需要額外的訓(xùn)練。Erwin Coumans 最近嘗試讓 Minitaur 在上方放著一只玩具鴨的情況下學(xué)會(huì)行走。如果鴨子掉下來，Minitaur 也就失敗了，其中所蘊(yùn)含的想法是期望這些類型的任務(wù)增強(qiáng)能夠有助于將學(xué)習(xí)策略從模擬轉(zhuǎn)移到真正的 Minitaur。我取用了他的一個(gè)例子，并嘗試使用進(jìn)化策略訓(xùn)練 Minitaur 和玩具鴨子的組合。
pybullet 中的 Minitaur 模型旨在模仿真實(shí)的物理 Minitaur。然而，在完美的模擬環(huán)境下訓(xùn)練出來的策略往往不適用于真實(shí)世界。它甚至無法泛化到模擬環(huán)境內(nèi)部的小小任務(wù)增強(qiáng)。例如，在上圖中有一個(gè) Minitaur 被訓(xùn)練用于朝前走（使用 CMA-ES），但是我們看到，當(dāng)把一只鴨子放在它上面的時(shí)候，這個(gè)策略并不總是能夠保持鴨子不掉而走出房間。
額外把鴨子放到 Minitaur 上的時(shí)候，從單純的步行任務(wù)中學(xué)到的策略在某種程度上依然可以發(fā)揮作用，這也意味著添加玩具鴨子并沒有增加太多的難度。玩具鴨子有一個(gè)較為平穩(wěn)的底部，所以 Minitaur 不會(huì)讓鴨子從背部脫落。我試圖用一個(gè)球去代替鴨子，從而讓任務(wù)變得更加困難。
然而，用球代替鴨子并不會(huì)立即產(chǎn)生穩(wěn)定的平衡策略。相反，CMA-ES 發(fā)現(xiàn)了一項(xiàng)策略，首先將球滑入其腿部形成的孔中，然后將球帶入該孔內(nèi)，從而以取巧的方式把球帶出了房間。這里學(xué)到的教訓(xùn)是，一個(gè)目標(biāo)驅(qū)動(dòng)（Objective-driven）的搜索算法將學(xué)會(huì)利用環(huán)境中的任何設(shè)計(jì)缺陷，并利用它們以實(shí)現(xiàn)自己的目標(biāo)。
在將球縮小之后，CMA-ES 能夠找到一個(gè)隨機(jī)策略，它能夠同時(shí)實(shí)現(xiàn)前行和保持平衡。這項(xiàng)策略也可以轉(zhuǎn)移到更容易的鴨子任務(wù)中。在未來，我希望這類任務(wù)增強(qiáng)技術(shù)對(duì)于真實(shí)機(jī)器人的遷移學(xué)習(xí)能發(fā)揮重要作用。
進(jìn)化策略最大的賣點(diǎn)在于，可以使用在 CPU 不同核心上的不同線程或者甚至是不同的機(jī)器來運(yùn)行多個(gè)工作器，以輕松實(shí)現(xiàn)并行化。Python 的多重處理機(jī)制使得啟動(dòng)并行進(jìn)程變得簡(jiǎn)單。我更喜歡在 mpi4py 中使用消息傳遞接口（MPI）為每個(gè)作業(yè)啟動(dòng)單獨(dú)的 python 進(jìn)程。這讓我們可以繞過全局解釋器鎖的限制，并且讓給我確信每個(gè)進(jìn)程都有自己的沙盒化 numpy 以及 gym 實(shí)例，這一點(diǎn)對(duì)于播種隨機(jī)數(shù)生成器非常重要。
在各式各樣的 roboschool 任務(wù)中，智能代理借助 estool 實(shí)現(xiàn)演進(jìn)
我實(shí)現(xiàn)了一個(gè)名為 estool 的簡(jiǎn)單工具，它使用前一篇文章中介紹的 es.py 庫來訓(xùn)練簡(jiǎn)單的前饋策略網(wǎng)絡(luò)，以執(zhí)行用 gym 接口編寫的連續(xù)控制強(qiáng)化學(xué)習(xí)任務(wù)。我已經(jīng)使用 estool 工具輕松訓(xùn)練了前面所述的所有實(shí)驗(yàn)，以及 gym 和 roboschool 內(nèi)部提供的各種各樣其它的連續(xù)控制任務(wù)。estool 使用 MPI 進(jìn)行分布式處理，因此不需要太多工作就可以將工作器分配到多臺(tái)機(jī)器上。
除了 gym 和 roboschool 自帶的環(huán)境之外，estool 還適用于多數(shù) pybullet gym 環(huán)境。通過修改現(xiàn)有的環(huán)境來構(gòu)建自定義 pybullet 環(huán)境也很容易。例如，我可以毫不費(fèi)力地在球場(chǎng)環(huán)境中制作 Minitaur（在該倉庫的 custom_envs 目錄下），并且也能夠?qū)Νh(huán)境進(jìn)行修改以使得更加容易實(shí)現(xiàn)新想法。另外如果你想將其它軟件包（例如 ROS 或者 Blender）的 3D 模型納入進(jìn)來，你可以嘗試構(gòu)建新的有趣的 pybullet 環(huán)境，為其他人提供新的挑戰(zhàn)。
作為近期遷移學(xué)習(xí)研究中令人興奮的成果，pybullet 中的許多模型和環(huán)境，例如 Kuka 機(jī)器人手臂和 Minitaur，都在最大的程度上模擬了真實(shí)機(jī)器人。事實(shí)上，這些最新的尖端研究論文（1，2，3，4）中有很多都使用 pybullet 來進(jìn)行遷移學(xué)習(xí)實(shí)驗(yàn)。
因此你不需要購買昂貴的 Minitaur 或 Kuka 機(jī)器人手臂來嘗試從仿真到真實(shí)的實(shí)驗(yàn)。pybullet 內(nèi)部有一個(gè)賽車模型，它是參照 MIT 開源賽車硬件工具包進(jìn)行建模的。甚至還有一個(gè) pybullet 環(huán)境，可以將虛擬攝像機(jī)安裝到虛擬賽車上，為智能代理提供虛擬屏幕的像素作為觀察結(jié)果輸入。
讓我們首先嘗試更簡(jiǎn)單的版本，賽車只需要學(xué)習(xí)一個(gè)跟蹤巨型球移動(dòng)的策略。在 RacecarBulletEnv-v0 環(huán)境中，智能代理獲取球的相對(duì)坐標(biāo)作為輸入，并輸出控制電機(jī)速度和轉(zhuǎn)向方向的連續(xù)動(dòng)作。該任務(wù)非常簡(jiǎn)單，在 2014 款 Macbook Pro（8 核 CPU）上只需要花費(fèi) 5 分鐘（50 次迭代）即可完成訓(xùn)練。使用 estool，下面的命令將啟動(dòng)一個(gè)含有 8 進(jìn)程的訓(xùn)練程序，每個(gè)進(jìn)程負(fù)責(zé) 4 項(xiàng)作業(yè)，這樣總共就有 32 個(gè)工作器，然后使用 CMA-ES 來演進(jìn)策略：
python train.py bullet_racecar -o cma -n 8 -t 4
訓(xùn)練的進(jìn)度以及模型參數(shù)將被保存在日志子目錄中。我們可以運(yùn)行這個(gè)命令來可視化環(huán)境中智能代理所找到的最佳策略：
python model.py bullet_racecar log/bullet_racecar.cma.1.32.best.json
pybullet 賽車環(huán)境，基于 MIT 賽車實(shí)現(xiàn)
在這個(gè)仿真中，我們可以使用鼠標(biāo)來移動(dòng)圓球，如果有需要的話，甚至也可以用來移動(dòng)賽車。
IPython notebook plot_training_progress.ipynb 可用于可視化賽車智能代理每次迭代的訓(xùn)練記錄。每次迭代中，我們都可以獲得最高分、最低分、以及所有賽車的平均分?jǐn)?shù)。
標(biāo)準(zhǔn)運(yùn)動(dòng)任務(wù)類似于 roboschool 中的運(yùn)動(dòng)任務(wù)，例如 Inverted Pendulum、Hopper、Walker、HalfCheetah、Ant 和 Humanoid 也可以在 pybullet 中使用。我發(fā)現(xiàn)了一個(gè)策略，在 pybullet 的螞蟻任務(wù)中獲得了 3000 分，我是使用 PEPG 在智能代理數(shù)為 256 的多核機(jī)器上花費(fèi)幾個(gè)小時(shí)完成訓(xùn)練的。
python train.py bullet_ant -o pepg -n 64 -t 4
AntBulletEnv 的一個(gè)樣例展示。我們還可以使用 gym.wrappers.Monitor 將展示結(jié)果保存成一個(gè) mp4 格式的視頻
在本文中，我討論了如何使用進(jìn)化策略來尋找前饋神經(jīng)網(wǎng)絡(luò)智能體的策略，以執(zhí)行由 gym 環(huán)境接口定義的各式各樣的連續(xù)控制強(qiáng)化學(xué)習(xí)任務(wù)。我介紹了 estool，它允許我使用 MPI 框架在分布式處理環(huán)境中快速嘗試不同配置的進(jìn)化策略算法。
到目前為止，我只討論了通過讓智能體在環(huán)境中反復(fù)試驗(yàn)來訓(xùn)練智能代理學(xué)習(xí)策略的方法。這種從頭開始訓(xùn)練的形式被稱為無模型強(qiáng)化學(xué)習(xí)。在下一篇文章中，我會(huì)更多地討論基于模型的學(xué)習(xí)，我們的智能體將學(xué)習(xí)利用以前學(xué)習(xí)過的模型來完成一個(gè)給定任務(wù)。另外我仍然會(huì)采用進(jìn)化策略。
“Fires of a Revolution” Incredible Fast Piano Music (EPIC)
A Visual Guide to Evolution Strategies
Stable or Robust? What’s the Difference?
Evolution Strategies as a Scalable Alternative to Reinforcement Learning
Edward, A library for probabilistic modeling, inference, and criticism
History of Bayesian Neural Networks
Emergent Complexity via Multi-Agent Competition
Via Evolving Stable Strategies，雷鋒網(wǎng) AI 科技評(píng)論編譯
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
