OpenRL 是由第四范式强化学习团队开发的基于 PyTorch 的强化学习研究框架，支持单智能体、多智能体、自然语言等多种任务的训练。OpenRL 基于 PyTorch 进行开发，目标是为强化学习研究社区提供一个简单易用、灵活高效、可持续扩展的平台。 目前，OpenRL 支持的特性包括：
简单易用且支持单智能体、多智能体训练的通用接口
支持自然语言任务（如对话任务）的强化学习训练
支持从 Hugging Face 上导入模型和数据
支持 LSTM，GRU，Transformer 等模型
支持多种训练加速，例如：自动混合精度训练，半精度策略网络收集数据等
支持用户自定义训练模型、奖励模型、训练数据以及环境
支持 gymnasium 环境
支持字典观测空间
支持 wandb，tensorboardX 等主流训练可视化工具
支持环境的串行和并行训练，同时保证两种模式下的训练效果一致
中英文文档
提供单元测试和代码覆盖测试
符合 Black Code Style 和类型检查
目前，OpenRL 已经在 GitHub 开源：https://github.com/OpenRL-Lab/openrl
OpenRL 初体验
OpenRL 目前可以通过 pip 进行安装：
也可以通过 conda 安装：
conda install -c openrl openrl
复制代码
OpenRL 为强化学习入门用户提供了简单易用的接口， 下面是一个使用 PPO 算法训练 CartPole 环境的例子：
# train_ppo.pyfrom openrl.envs.common import makefrom openrl.modules.common import PPONet as Netfrom openrl.runners.common import PPOAgent as Agentenv = make("CartPole-v1", env_num=9) # 创建环境，并设置环境并行数为9net = Net(env) # 创建神经网络agent = Agent(net) # 初始化智能体agent.train(total_time_steps=20000) # 开始训练，并设置环境运行总步数为20000
复制代码
使用 OpenRL 训练智能体只需要简单的四步：创建环境 => 初始化模型 => 初始化智能体 => 开始训练！在普通笔记本电脑上执行以上代码，只需要几秒钟，便可以完成该智能体的训练：
此外，对于多智能体、自然语言等任务的训练，OpenRL 也提供了同样简单易用的接口。例如，对于多智能体任务中的 MPE 环境，OpenRL 也只需要调用几行代码便可以完成训练：
# train_ppo.pyfrom openrl.envs.common import makefrom openrl.modules.common import PPONet as Netfrom openrl.runners.common import PPOAgent as Agentdef train(): # 创建 MPE 环境，使用异步环境，即每个智能体独立运行 env = make( "simple_spread", env_num=100, asynchronous=True, ) # 创建 神经网络，使用GPU进行训练 net = Net(env, device="cuda") agent = Agent(net) # 初始化训练器 # 开始训练 agent.train(total_time_steps=5000000) # 保存训练完成的智能体 agent.save("./ppo_agent/")if __name__ == "__main__": train()
复制代码
下图展示了通过 OpenRL 训练前后智能体的表现：
加载配置文件
此外，OpenRL 还同时支持从命令行和配置文件对训练参数进行修改。比如，用户可以通过执行 python train_ppo.py --lr 5e-4 来快速修改训练时候的学习率。当配置参数非常多的时候，OpenRL 还支持用户编写自己的配置文件来修改训练参数。例如，用户可以自行创建以下配置文件(mpe_ppo.yaml)，并修改其中的参数：
# mpe_ppo.yamlseed: 0 # 设置seed，保证每次实验结果一致lr: 7e-4 # 设置学习率episode_length: 25 # 设置每个episode的长度use_recurrent_policy: true # 设置是否使用RNNuse_joint_action_loss: true # 设置是否使用JRPO算法use_valuenorm: true # 设置是否使用value normalization
复制代码
最后，用户只需要在执行程序的时候指定该配置文件即可：
python train_ppo.py --config mpe_ppo.yaml
复制代码
训练与测试可视化
此外，通过 OpenRL，用户还可以方便地使用 wandb 来可视化训练过程：
OpenRL 还提供了各种环境可视化的接口，方便用户对并行环境进行可视化。用户可以在创建并行环境的时候设置环境的渲染模式为"group_human"，便可以同时对多个并行环境进行可视化：
env = make("simple_spread", env_num=9, render_mode="group_human")
复制代码
此外，用户还可以通过引入 GIFWrapper 来把环境运行过程保存为 gif 动画：
from openrl.envs.wrappers import GIFWrapperenv = GIFWrapper(env, "test_simple_spread.gif")
复制代码
智能体的保存和加载
OpenRL 提供 agent.save() 和 agent.load() 接口来保存和加载训练好的智能体，并通过 agent.act() 接口来获取测试时的智能体动作：
# test_ppo.pyfrom openrl.envs.common import makefrom openrl.modules.common import PPONet as Netfrom openrl.runners.common import PPOAgent as Agentfrom openrl.envs.wrappers import GIFWrapper # 用于生成gifdef test(): # 创建 MPE 环境 env = make( "simple_spread", env_num=4) # 使用GIFWrapper，用于生成gif env = GIFWrapper(env, "test_simple_spread.gif") agent = Agent(Net(env)) # 创建 智能体 # 保存智能体 agent.save("./ppo_agent/") # 加载智能体 agent.load('./ppo_agent/') # 开始测试 obs, _ = env.reset() while True: # 智能体根据 observation 预测下一个动作 action, _ = agent.act(obs) obs, r, done, info = env.step(action) if done.any(): break env.close()if __name__ == "__main__": test()
复制代码
执行该测试代码，便可以在同级目录下找到保存好的环境运行动画文件(test_simple_spread.gif)：
训练自然语言对话任务
最近的研究表明，强化学习也可以用于训练语言模型， 并且能显著提升模型的性能。目前，OpenRL 已经支持自然语言对话任务的强化学习训练。OpenRL 通过模块化设计，支持用户 加载自己的数据集 ， 自定义训练模型， 自定义奖励模型， 自定义 wandb 信息输出 以及 一键开启混合精度训练 等。
对于对话任务训练，OpenRL 提供了同样简单易用的训练接口：
# train_ppo.pyfrom openrl.envs.common import makefrom openrl.modules.common import PPONet as Netfrom openrl.runners.common import PPOAgent as Agentfrom openrl.configs.config import create_config_parserdef train(): # 添加读取配置文件的代码 cfg_parser = create_config_parser() cfg = cfg_parser.parse_args() # 创建 NLP 环境 env = make("daily_dialog",env_num=2,asynchronous=True,cfg=cfg,) net = Net(env, cfg=cfg, device="cuda") agent = Agent(net) agent.train(total_time_steps=5000000)if __name__ == "__main__": train()
复制代码
可以看出，OpenRL 训练对话任务和其他强化学习任务一样，都是通过创建交互环境的方式进行训练。
加载自定义数据集
训练对话任务，需要对话数据集。这里我们可以使用 Hugging Face 上的公开数据集（用户可以替换成自己的数据集）。加载数据集，只需要在配置文件中传入数据集的名称或者路径即可：
# nlp_ppo.yamldata_path: daily_dialog # 数据集路径env: # 环境所用到的参数 args: {'tokenizer_path': 'gpt2'} # 读取tokenizer的路径seed: 0 # 设置seed，保证每次实验结果一致lr: 1e-6 # 设置policy模型的学习率critic_lr: 1e-6 # 设置critic模型的学习率episode_length: 20 # 设置每个episode的长度use_recurrent_policy: true
复制代码
上述配置文件中的 data_path 可以设置为 Hugging Face 数据集名称 或者 本地数据集路径。 此外，环境参数中的 tokenizer_path 用于指定加载文字编码器的 Hugging Face 名称 或者 本地路径。
自定义训练模型
在 OpenRL 中，我们可以使用 Hugging Face 上的模型来进行训练。 为了加载 Hugging Face 上的模型，我们首先需要在配置文件 nlp_ppo.yaml 中添加以下内容：
# nlp_ppo.yaml# 预训练模型路径model_path: rajkumarrrk/gpt2-fine-tuned-on-daily-dialog use_share_model: true # 策略网络和价值网络是否共享模型ppo_epoch: 5 # ppo训练迭代次数
data_path: daily_dialog # 数据集名称或者路径env: # 环境所用到的参数 args: {'tokenizer_path': 'gpt2'} # 读取tokenizer的路径lr: 1e-6 # 设置policy模型的学习率critic_lr: 1e-6 # 设置critic模型的学习率episode_length: 128 # 设置每个ep
复制代码
然后在 train_ppo.py 中添加以下代码：
# train_ppo.pyfrom openrl.envs.common import makefrom openrl.modules.common import PPONet as Netfrom openrl.runners.common import PPOAgent as Agentfrom openrl.configs.config import create_config_parserfrom openrl.modules.networks.policy_value_network_gpt import ( PolicyValueNetworkGPT as PolicyValueNetwork,)def train(): # 添加读取配置文件的代码 cfg_parser = create_config_parser() cfg = cfg_parser.parse_args() # 创建 NLP 环境 env = make("daily_dialog",env_num=2,asynchronous=True,cfg=cfg,) # 创建自定义神经网络 model_dict = {"model": PolicyValueNetwork} net = Net(env, cfg=cfg, model_dict=model_dict) # 创建训练智能体 agent = Agent(net) agent.train(total_time_steps=5000000)if __name__ == "__main__": train()
复制代码
通过以上简单几行的修改，用户便可以使用 Hugging Face 上的预训练模型进行训练。如果用户希望分别自定义策略网络和价值网络，可以写好 CustomPolicyNetwork 以及 CustomValueNetwork 后通过以下方式从外部传入训练网络：
model_dict = { "policy": CustomPolicyNetwork, "critic": CustomValueNetwork,}net = Net(env, model_dict=model_dict)
复制代码
自定义奖励模型
通常，自然语言任务的数据集中并不包含奖励信息。 因此，如果需要使用强化学习来训练自然语言任务，就需要使用额外的奖励模型来生成奖励。在该对话任务中，我们可以使用一个复合的奖励模型，它包含以下三个部分：
意图奖励：即当智能体生成的语句和期望的意图接近时，智能体便可以获得更高的奖励。
METEOR 指标奖励： METEOR 是一个用于评估文本生成质量的指标，它可以用来衡量生成的语句和期望的语句的相似程度。我们把这个指标作为奖励反馈给智能体，以达到优化生成的语句的效果。
KL 散度奖励：该奖励用来限制智能体生成的文本偏离预训练模型的程度，防止出现 reward hacking 的问题。
我们最终的奖励为以上三个奖励的加权和，其中 KL 散度奖励 的系数是随着 KL 散度的大小动态变化的。想在 OpenRL 中使用该奖励模型，用户无需修改训练代码，只需要在 nlp_ppo.yaml 文件中添加 reward_class 参数即可：
# nlp_ppo.yamlreward_class: id: NLPReward # 奖励模型名称 args: { # 用于意图判断的模型的名称或路径 "intent_model": rajkumarrrk/roberta-daily-dialog-intent-classifier, # 用于计算KL散度的预训练模型的名称或路径 "ref_model": roberta-base, # 用于意图判断的tokenizer的名称或路径 }
复制代码
OpenRL 支持用户使用自定义的奖励模型。 首先，用户需要编写自定义奖励模型(需要继承 BaseReward 类)。 接着，用户需要注册自定义的奖励模型，即在 train_ppo.py 添加以下代码：
# train_ppo.pyfrom openrl.rewards.nlp_reward import CustomRewardfrom openrl.rewards import RewardFactoryRewardFactory.register("CustomReward", CustomReward)
复制代码
最后，用户只需要在配置文件中填写自定义的奖励模型即可：
reward_class: id: "CustomReward" # 自定义奖励模型名称 args: {} # 用户自定义奖励函数可能用到的参数
复制代码
自定义训练过程信息输出
OpenRL 还支持用户自定义 wandb 和 tensorboard 的输出内容。 例如，在该任务的训练过程中，我们还需要输出各种类型奖励的信息和 KL 散度系数的信息， 用户可以在 nlp_ppo.yaml 文件中加入 vec_info_class 参数来实现:
# nlp_ppo.yamlvec_info_class: id: "NLPVecInfo" # 调用NLPVecInfo类以打印NLP任务中奖励函数的信息#设置wandb信息wandb_entity: openrl # 这里用于指定wandb团队名称，请把openrl替换为你自己的团队名称experiment_name: train_nlp # 这里用于指定实验名称run_dir: ./run_results/ # 这里用于指定实验数据保存的路径log_interval: 1 # 这里用于指定每隔多少个episode上传一次wandb数据# 自行填写其他参数...
复制代码
修改完配置文件后，在 train_ppo.py 文件中启用 wandb:
# train_ppo.pyagent.train(total_time_steps=100000, use_wandb=True)
复制代码
然后执行python train_ppo.py –config nlp_ppo.yaml，过一会儿，便可以在 wandb 中看到如下的输出:
从上图可以看到，wandb 输出了各种类型奖励的信息和 KL 散度系数的信息。
如果用户还需要输出其他信息，还可以参考 NLPVecInfo 类 和 VecInfo 类来实现自己的 CustomVecInfo 类。 然后，需要在 train_ppo.py 中注册自定义的 CustomVecInfo 类:
# train_ppo.py # 注册自定义输出信息类 VecInfoFactory.register("CustomVecInfo", CustomVecInfo)
复制代码
最后，只需要在 nlp_ppo.yaml 中填写 CustomVecInfo 类即可启用：
# nlp_ppo.yamlvec_info_class: id: "CustomVecInfo" # 调用自定义CustomVecInfo类以输出自定义信息
复制代码
使用混合精度训练加速
OpenRL 还提供了一键开启混合精度训练的功能。用户只需要在配置文件中加入以下参数即可：
# nlp_ppo.yamluse_amp: true # 开启混合精度训练
复制代码
对比评测
下表格展示了使用 OpenRL 训练该对话任务的结果。结果显示使用强化学习训练后，模型各项指标皆有所提升。 另外，从下表可以看出，相较于 RL4LMs ， OpenRL 的训练速度更快（在同样 3090 显卡的机器上，速度提升 17% ），最终的性能指标也更好：
最后，对于训练好的智能体，用户可以方便地通过 agent.chat() 接口进行对话：
# chat.pyfrom openrl.runners.common import ChatAgent as Agentdef chat(): agent = Agent.load("./ppo_agent", tokenizer="gpt2",) history = [] print("Welcome to OpenRL!") while True: input_text = input("> User: ") if input_text == "quit": break elif input_text == "reset": history = [] print("Welcome to OpenRL!") continue response = agent.chat(input_text, history) print(f"> OpenRL Agent: {response}") history.append(input_text) history.append(response)if __name__ == "__main__": chat()
复制代码
执行 python chat.py ，便可以和训练好的智能体进行对话了：
总结
OpenRL 框架经过了 OpenRL-Lab 的多次迭代并应用于学术研究和 AI 竞赛，目前已经成为了一个较为成熟的强化学习框架。 OpenRL-Lab 团队将持续维护和更新 OpenRL，欢迎大家加入我们的开源社区，一起为强化学习的发展做出贡献。 更多关于 OpenRL 的信息，可以参考
致谢
OpenRL 框架的开发吸取了其他强化学习框架的优点：
未来工作
目前，OpenRL 还处于持续开发和建设阶段，未来 OpenRL 将会开源更多功能：
支持智能体自博弈训练
加入离线强化学习、模范学习、逆强化学习算法
加入更多强化学习环境和算法
集成 Deepspeed 等加速框架
支持多机分布式训练
欢迎更多同学加入 OpenRL 的讨论和使用：
OpenRL Lab 团队
OpenRL 框架是由 OpenRL Lab 团队开发，该团队是第四范式公司旗下的强化学习研究团队。第四范式长期致力于强化学习的研发和工业应用。为了促进强化学习的产学研一体化，第四范式成立了 OpenRL Lab 研究团队，目标是先进技术开源和人工智能前沿探索。成立不到一年，OpenRL Lab 团队已经在 AAMAS 发表过三篇论文，参加谷歌足球游戏 11 vs 11 比赛并获得第三的成绩。团队提出的 TiZero 智能体，实现了首个从零开始，通过课程学习、分布式强化学习、自博弈等技术完成谷歌足球全场游戏智能体的训练：
截止 2022 年 10 月 28 日，Tizero 在及第评测平台上排名第一：
评论