深度強化學習已經在許多領域取得了矚目的成就，并且仍是各大領域受熱捧的方向之一。本文深入淺出的介紹了如何利用TensorForce框架快速搭建深度強化學習模型。

深度強化學習(Deep Reinforcement Learning, DRL)是目前最熱門的方向之一，從視頻游戲、圍棋、蛋白質結構預測到機器人、計算機視覺、推薦系統等領域已經取得了很多令人矚目的成就且仍在蓬勃發展中。

AlphaGo第一作者Davild Silver就認為通用人工智能需要強化學習結合深度學習來實現，即AGI=DL+RL。

框架

為了便于研究人員快速搭建出強化學習模型，很多機構發布了強化學習基準算法或框架，其中較早的有OpenAI Baselines [1]、伯克利的rllab [2]，最新的有18年谷歌發布的Dopamine [3]、Facebook發布的Horizon [4]。具體見下表：

本文介紹的是TensorForce并非由這些大機構發布，而是由幾個劍橋大學的博士生開發、維護的。

當時選擇TensorForcce是因為需要在ROS框架下開發，而如上表列出的，它完全支持Python2，且包含很多主流的強化學習算法、支持OpenAI Gym、DeepMind Lab等常用于強化學習算法測試的基準環境。

TensorForce是架構在TensorFlow上的強化學習API，最早在17年就開源了，并發布了博客[5]介紹其背后的設計思想及基本應用。

這里簡單介紹一下TensorForce的設計思想。

框架設計的難點在于如何解耦出其它層面的內容，盡可能將共用的部分抽象出來。拿強化學習來說，智能體與環境不斷通過交互試錯來學習，如果由我們從頭自己編程實現某個RL任務，為了方便智能體與環境很自然地會寫在一起。但作為框架卻不行，需要將智能體從環境中解耦出來。

TensorForce包括了下面四個層面的概念：

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

Agent在訓練前可以加載model，訓練后保存model，運行時接收state，(預處理后)作為model的輸入，返回action。模型會根據算法及配置自動更新。Runner將Agent和Environment之間的交互抽象出來作為函數。Environment根據應用場景的不同需要自己寫接口，后文會提供一個機器人導航環境的接口案例。如果是學習或者算法測試，可以使用現成的基準環境，TensorForce提供了OpenAI Gym、OpenAI Universe和DeepMind Lab的接口。

第一行代碼

下面通過使用近端策略優化(Proximal Policy Optimization, PPO)算法訓練OpenAI Gym中倒立擺來初識TensorForce的簡潔和強大。

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，倒立擺能夠平衡：

使用TensorBoard查看訓練過程（左圖是loss，右圖是entropy）：

上面我們只用了30行代碼實現了PPO算法訓練倒立擺，代碼首先定義了環境和網絡（兩層32個節點的全連接網絡，激活函數為relu），然后定義了agent，agent的參數中states, actions, network三個參數是必填的，step_optimizer定義了優化器，saver和summarizer分別保存模型和訓練過程。最后通過runner來實現agent和environment的交互，總共跑了600個episodes，每個episode的最大步長是200。

runner解耦出了交互過程，實際上是是下面過程的循環：

# 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)

在上述過程中，agent會儲存相關信息來更新模型，比如DQNAgent會存儲(state, action, reward, next_state)。

視頻游戲

TensorForce提供了豐富的observation預處理功能，視頻游戲是DRL最先取得突破的方向，以Flappy Bird為例，需要進行四個步驟的預處理：

轉化為灰度圖，去除不必要的顏色信息；

縮小輸入的游戲截屏，resize為80*80；

堆疊連續的四幀，推導出運行信息；

歸一化處理，以便于訓練。

使用TensorForce可以很方便地進行預處理：

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)

環境搭建

如果要在具體的應用場景中使用TensorForce就需要根據應用場景手動搭建環境，環境的模板為environment.py [7]，其中最重要的函數是execute，該函數接收agent產生的action，并在環境中執行該action，然后返回next_state，reward，terminal。這里我以搭建的Gazebo中的機器人導航環境為例，進行介紹。

首先搭建仿真環境如下圖：

設計環境的接口及其與agent交互的過程：

仿真開始，init函數打開Gazebo并加載對應的導航環境，reset函數初始化機器人，execute函數接收到action后通過ROS發送對應的速度命令，Gazebo中的機器人接收到速度命令后執行對應的速度，機器人傳感器返回相應的信息，計算對應的reward，讀取視覺傳感器的RGB圖像作為next_state，判斷是否到達目標點或者碰撞，如果是Terminal為True，該episode結束。完整的代碼見 [8]。

復雜網絡

DRL網絡和算法是智能體最重要的兩部分，一個確定模型結構、一個決定模型更新。上面只介紹了簡單的模型，對于有些復雜網絡需要層疊的方式來定義，如下如：

該網絡的輸入為64*48*3的RGB圖像，由卷積層提取特征后與2維的速度信息和運動信息共同輸入全連接層進行決策。首先定義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)

然后定義action即velocity，這里為機器人的線速度（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))

然后通過層疊的方式來定義網絡結構：

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'),]]

完整代碼見[8]

其它

1. agent會有actions_exploration參數來定義exploration，默認值為'none'，但這并不代表不探索，以PPO為例，模型在輸出的時候不輸出直接的確定性動作（只有DPG才會輸出確定性動作），而是分布，輸出在分布上采樣輸出，這可以看作是一種exploration。

2. 網絡的輸出層是根據action自動添加的，在network中定義輸入層和隱藏層即可

3. 如果不再需要exploration而只是exploitation，則運行:

agent.act(action,deterministic=True)

此時agent執行greedy策略。而如果模型訓練完成，不再訓練則：

agent.act(action,independent=True)

此時函數只執行act不執行observe來更新模型

4. PPO算法相比于DQN，不僅性能好，并且對超參數更魯棒，建議優先選擇PPO