本文首发于：行者AI
强化学习 (reinforcement learning) 是机器学习和人工智能里的一类问题，研究如何通过一系列的顺序决策来达成一个特定目标。它是一类算法， 是让计算机实现从一开始什么都不懂，脑袋里没有一点想法,，通过不断地尝试， 从错误中学习， 最后找到规律， 学会了达到目的的方法。 这就是一个完整的强化学习过程。这里我们可以引用下方图做一个更直观形象的解释。
Agent 为智能体，也就是我们的算法，在游戏当中以玩家的形式出现。智能体通过一系列策略，输出一个行为(Action)从而作用到环境(Environment)，而环境则返回作用后的状态值也就是图中的观察(Observation)和奖励值(Reward)。当环境返回奖励值给智能体之后，更新自身所在的状态，而智能体获取到新的 Observation。
1. ml-agents
1.1 介绍
目前游戏大部分 Unity 游戏数量庞大，引擎完善，训练环境好搭建。由于 Unity 可以跨平台，可以在 Windows、Linux 平台下训练后再转成 WebGL 发布到网页上。而 mlagents 是 Unity 的一款开源插件，能让开发者在 Unity 的环境下进行训练，甚至不用去编写 python 端的代码，不用深入理解 PPO,SAC 等算法。只要开发者配置好参数，就可以很轻松的使用强化学习的算法来训练自己的模型。
如对算法有兴趣，请点此处可以学习算法PPO，[SAC](https://spinningup.openai.com/en/latest/algorithms/sac.html#soft-actor-critic)。
更多了解点击前往
1.2 Anaconda、tensorflow 及 tensorboard 安装
本文介绍的 ml-agents 需要通过 Python 与 Tensorflow 通信，训练时从 ml-agents 的 Unity 端拿到 Observation、Action、Reward、Done 等信息传入 Tensorflow 进行训练，然后将模型的决策传入 Unity。因此在安装 ml-agents 前，需要根据如下链接进行 tensorflow 的安装。
Tensorboard 方便数据可视化，方便分析模型是否达到预期。
安装详细点击前往
1.3 ml-agents 安装步骤
(1) 前往 github 下载 ml-agents (本实例采用 release6 版本)
github可以下载
(2) 将压缩包解压，把com.unity.ml-agents，com.unity.ml-agents.extensions 放入 Unity 的 Packages 目录下(如果没有请创建一个)，将manifest.json中加入此两个目录。
(3) 安装完成后，到工程中就导入后，建立个新脚本，输入以下引用以验证安装成功
using Unity.MLAgents;using Unity.MLAgents.Sensors;using Unity.MLAgents.Policies;
public class MyAgent : Agent
{
}
复制代码
2. ml-agents 训练实例
2.1 概要及工程
Environment 通常利用马尔可夫过程来描述，agent 通过采取某种 policy 来产生 Action，和 Environment 交互，产生一个 Reward。之后 agent 根据 Reward 来调整优化当前的 policy。
本例实际工程参考消消乐规则，凑齐三个同样的颜色即可得分，本实例去除了四个连色及多连的额外奖励（以方便设计环境）
工程实例下载处 点击前往
Unity 工程导出部分请参考官方 点击前往 。
下面将从四个角度来分享项目项目实践的方法，接口抽离、选算法、设计环境、参数调整。
2.2 游戏框架 AI 接口抽离
将工程的 Observation、Action 需要的接口从游戏中抽离出来。用于传入游戏当前的状态和执行游戏的动作。
static List<ML_Unit> states = new List<ML_Unit>();
public class ML_Unit{ public int color = (int)CodeColor.ColorType.MaxNum; public int widthIndex = -1; public int heightIndex = -1;}//从当前画面中，拿到所有方块的信息，包含所在位置x（长度）,位置y（高度）,颜色（坐标轴零点在左上）public static List<ML_Unit> GetStates(){ states.Clear(); var xx = GameMgr.Instance.GetGameStates(); for(int i = 0; i < num_widthMax;i++) { for(int j = 0; j < num_heightMax; j++) { ML_Unit tempUnit = new ML_Unit(); try { tempUnit.color = (int)xx[i, j].getColorComponent.getColor; } catch { Debug.LogError($"GetStates i:{i} j:{j}"); } tempUnit.widthIndex = xx[i, j].X; tempUnit.heightIndex = xx[i, j].Y; states.Add(tempUnit); } } return states;}
public enum MoveDir{ up, right, down, left,}
public static bool CheckMoveValid(int widthIndex, int heigtIndex, int dir){ var valid = true; if (widthIndex == 0 && dir == (int)MoveDir.left) { valid = false; } if (widthIndex == num_widthMax - 1 && dir == (int)MoveDir.right) { valid = false; }
if (heigtIndex == 0 && dir == (int)MoveDir.up) { valid = false; }
if (heigtIndex == num_heightMax - 1 && dir == (int)MoveDir.down) { valid = false; } return valid;}
//执行动作的接口，根据位置信息和移动方向，调用游戏逻辑移动方块。widthIndex 0-13,heigtIndex 0-6,dir 0-3 0上 1右 2下 3左public static void SetAction(int widthIndex,int heigtIndex,int dir,bool immediately){ if (CheckMoveValid(widthIndex, heigtIndex, dir)) { GameMgr.Instance.ExcuteAction(widthIndex, heigtIndex, dir, immediately); }}
复制代码
2.3 游戏 AI 算法选择
走入强化学习项目的第一个课题，面对众多算法，选择一个合适的算法能事半功倍。如果对算法的特性还不太熟悉，可以直接使用 ml-agents 自带的 PPO 和 SAC。
本例笔者最开始使用的 PPO 算法，尝试了比较多的调整，平均 9 步才能走对一步，效果比较糟糕。
后来仔细分析游戏的环境，由于此工程的三消类的游戏，每次的环境都完全不一样，每一步的结果对下一步产生的影响并没有多大关系，对马尔科夫链的需求不强。由于 PPO 是 OnPolicy 的 policy-based 的算法，每次更新的策略更新非常小心，导致结果很难收敛(笔者尝试了 XX 布，依然没有收敛)。
相比 DQN 是 OffPolicy 的 value-base 算法，可以收集大量环境的参数建立 Qtable，逐步找到对应的环境的最大值。
简单地说，PPO 是在线学习，每次自己跑几百步后，回过头来学习这几百步哪里做得对，哪里做的不对，然后更新学习后，再跑几百步，如此反复。这样学习效率慢不说，还很难找到全局最优的解。
而 DQN 是离线学习，可以跑上亿步，然后回去把这些跑过的地方都拿出来学习，然后很容易找到全局最优的点。
（本例使用 PPO 做演示，后续分享在 ml-agents 外接算法，使用外部工具 stable_baselines3，采用 DQN 的算法来训练）
2.4 游戏 AI 设计环境
当我们确定了算法框架之后，如何设计 Observation、Action 及 Reward，便成了决定训练效果的决定性因素。在这个游戏中，环境的这里的环境主要有两个变量，一个是方块的位置，另一个是方块的颜色。
--Observation：
针对如果上图，我们的本例长 14、宽 7、颜色有 6 种。
ml-agents 使用的 swish 作为激活函数，可以使用不太大的浮点数(-10f ~10f)，但是为了让 agents 获得环境更纯净，训练效果更理想，我们还是需要对环境进行编码。
本例笔者使用 Onehot 的方式进行环境编码，左上角定位坐标零点。如此下来，左上角的青色方块的环境编码就可以表示为 长[0,0,0,0,0,0,0,0,0,0,0,0,0,1],
高[0,0,0,0,0,0,1]，颜色按固定枚举来处理( 黄,绿,紫,粉,蓝,红）颜色[0,0,0,0,1,0]。
环境总共包含 （14+7+6）14 * 7 = 2646
代码示例：
public class MyAgent : Agent{ static List<ML_Unit> states = new List<ML_Unit>(); public class ML_Unit { public int color = (int)CodeColor.ColorType.MaxNum; public int widthIndex = -1; public int heightIndex = -1; }
public static List<ML_Unit> GetStates() { states.Clear(); var xx = GameMgr.Instance.GetGameStates(); for(int i = 0; i < num_widthMax;i++) { for(int j = 0; j < num_heightMax; j++) { ML_Unit tempUnit = new ML_Unit(); try { tempUnit.color = (int)xx[i, j].getColorComponent.getColor; } catch { Debug.LogError($"GetStates i:{i} j:{j}"); } tempUnit.widthIndex = xx[i, j].X; tempUnit.heightIndex = xx[i, j].Y; states.Add(tempUnit); } } return states; }
List<ML_Unit> curStates = new List<ML_Unit>(); public override void CollectObservations(VectorSensor sensor) { //需要判断是否方块移动结束，以及方块结算结束 var receiveReward = GameMgr.Instance.CanGetState(); var codeMoveOver = GameMgr.Instance.IsCodeMoveOver(); if (!codeMoveOver || !receiveReward) { return; }
//获得环境的状态信息 curStates = MlagentsMgr.GetStates(); for (int i = 0; i < curStates.Count; i++) { sensor.AddOneHotObservation(curStates[i].widthIndex, MlagentsMgr.num_widthMax); sensor.AddOneHotObservation(curStates[i].heightIndex, MlagentsMgr.num_heightMax); sensor.AddOneHotObservation(curStates[i].color, (int)CodeColor.ColorType.MaxNum); } }}
复制代码
--Action：
每个方块可以上下左右移动，我们需要记录的最小信息包含，14*7 个方块，以及每个方块可以移动 4 个方向，本例方向枚举（上，右，下，左）。
左上为零点，左上角的青色方块占据了 Action 的前四个动作，分别是（左上角的青色方块向上移动，左上角的青色方块向右移动，左上角的青色方块向下移动，
左上角的青色方块向左移动）。
那么动作总共包含 14 7 4 = 392
细心的读者可能会发现 左上角的青色方块 并不能往上和往左移动，这时我们需要设置 Actionmask，来屏蔽掉这些在规则上禁止的动作。
代码示例：
public class MyAgent : Agent{ public enum MoveDir { up, right, down, left, }
public void DecomposeAction(int actionId,out int width,out int height,out int dir) { width = actionId / (num_heightMax * num_dirMax); height = actionId % (num_heightMax * num_dirMax) / num_dirMax; dir = actionId % (num_heightMax * num_dirMax) % num_dirMax; }
//执行动作，并获得该动作的奖励 public override void OnActionReceived(float[] vectorAction) { //需要判断是否方块移动结束，以及方块结算结束 var receiveReward = GameMgr.Instance.CanGetState(); var codeMoveOver = GameMgr.Instance.IsCodeMoveOver(); if (!codeMoveOver || !receiveReward) { Debug.LogError($"OnActionReceived CanGetState = {GameMgr.Instance.CanGetState()}"); return; }
if (invalidNums.Contains((int)vectorAction[0])) { //方块结算的调用，这里可以获得奖励（这里是惩罚，因为这是在屏蔽动作内，训练的时候会调用所有的动作，在非训练的时候则不会进此逻辑） GameMgr.Instance.OnGirdChangeOver?.Invoke(true, -5, false, false); } DecomposeAction((int)vectorAction[0], out int widthIndex, out int heightIndex, out int dirIndex); //这里回去执行动作，移动对应的方块，朝对应的方向。执行完毕后会获得奖励，并根据情况重置场景 MlagentsMgr.SetAction(widthIndex, heightIndex, dirIndex, false); }
//MlagentsMgr.SetAction调用后，执行完动作，会进入这个函数 public void RewardShape(int score) { //计算获得的奖励 var reward = (float)score * rewardScaler; AddReward(reward); //将数据加入tensorboard进行统计分析 Mlstatistics.AddCumulativeReward(StatisticsType.action, reward); //每一步包含惩罚的动作，可以提升探索的效率 var punish = -1f / MaxStep * punishScaler; AddReward(punish); //将数据加入tensorboard进行统计分析 Mlstatistics.AddCumulativeReward( StatisticsType.punishment, punish); }
//设置屏蔽动作actionmask public override void CollectDiscreteActionMasks(DiscreteActionMasker actionMasker) { // Mask the necessary actions if selected by the user. checkinfo.Clear(); invalidNums.Clear(); int invalidNumber = -1; for (int i = 0; i < MlagentsMgr.num_widthMax;i++) { for (int j = 0; j < MlagentsMgr.num_heightMax; j++) { if (i == 0) { invalidNumber = i * (num_widthMax + num_heightMax) + j * num_heightMax + (int)MoveDir.left; actionMasker.SetMask(0, new[] { invalidNumber }); } if (i == num_widthMax - 1) { invalidNumber = i * (num_widthMax + num_heightMax) + j * num_heightMax + (int)MoveDir.right; actionMasker.SetMask(0, new[] { invalidNumber }); }
if (j == 0) { invalidNumber = i * (num_widthMax + num_heightMax) + j * num_heightMax + (int)MoveDir.up; actionMasker.SetMask(0, new[] { invalidNumber }); }
if (j == num_heightMax - 1) { invalidNumber = i * (num_widthMax + num_heightMax) + j * num_heightMax + (int)MoveDir.down; actionMasker.SetMask(0, new[] { invalidNumber }); } } } }}
复制代码
原工程消除过程中使用大量协程，有很高的延迟，我们需要再训练时把延迟的时间挤出来。
为了不影响游戏的主逻辑，一般情况下把协程里面的 yield return new WaitForSeconds(fillTime)中的 fillTime 改成 0.001f,这样可以在不大量修改游戏逻辑的情况下，在模型选择 Action 后能最快得到 Reward。
public class MyAgent : Agent{ private void FixedUpdate() { var codeMoveOver = GameMgr.Instance.IsCodeMoveOver(); var receiveReward = GameMgr.Instance.CanGetState(); if (!codeMoveOver || !receiveReward /*||!MlagentsMgr.b_isTrain*/) { return; } //因为有协程需要等待时间，需要等待产生Reward后才去请求决策。所以不能使用ml-agents自带的DecisionRequester RequestDecision(); }}
复制代码
2.5 参数调整
在设计好模型后，我们先初步跑一版本，看看结果跟我们设计的预期有多大的差异。
首先配置 yaml 文件，用于初始化网络的参数：
behaviors:SanXiaoAgent:trainer_type: ppohyperparameters:batch_size: 128buffer_size: 2048learning_rate: 0.0005beta: 0.005epsilon: 0.2lambd: 0.9num_epoch: 3learning_rate_schedule: linearnetwork_settings:normalize: falsehidden_units: 512num_layers: 2vis_encode_type: simplememory: nullreward_signals:extrinsic:gamma: 0.99strength: 1.0init_path: nullkeep_checkpoints: 25checkpoint_interval: 100000max_steps: 1000000time_horizon: 128summary_freq: 1000threaded: trueself_play: nullbehavioral_cloning: nullframework: tensorflow
复制代码
训练代码请参照官方提供的接口，本例使用 release6 版本，命令如下
mlagents-learn config/ppo/sanxiao.yaml --env=G:\mylab\ml-agent-buildprojects\sanxiao\windows\display\121001display\fangkuaixiaoxiaole --run-id=121001xxl --train --width 800 --height 600 --num-envs 2 --force --initialize-from=121001
复制代码
训练完成后，打开 Anaconda，在 ml-agents 工程主目录上输入 tensorboard --logdir=results --port=6006，复制 http://PS20190711FUOV:6006/到浏览器上打开，即可看到训练结果。
(mlagents) PS G:\mylab\ml-agents-release_6> tensorboard --logdir=results --port=6006TensorBoard 1.14.0 at http://PS20190711FUOV:6006/ (Press CTRL+C to quit)
复制代码
训练效果图如下：
move count 为消掉一次方块，需要走的平均步数，大概需要 9 布才能走正确一步。在使用 Actionmask 情况下，可以在 6 步左右消除一次方块。
–Reward：
根据上面表格的 Reward，查看奖励奖励设计的均值。笔者喜欢控制在 0.5 到 2 之间。过大过小可以调整 rewardScaler。
//MlagentsMgr.SetAction调用后，执行完动作，会进入这个函数public void RewardShape(int score){ //计算获得的奖励 var reward = (float)score * rewardScaler; AddReward(reward); //将数据加入tensorboard进行统计分析 Mlstatistics.AddCumulativeReward(StatisticsType.action, reward); //每一步包含惩罚的动作，可以提升探索的效率 var punish = -1f / MaxStep * punishScaler; AddReward(punish); //将数据加入tensorboard进行统计分析 Mlstatistics.AddCumulativeReward( StatisticsType.punishment, punish);}
复制代码
3. 总结及杂谈
目前 ml-agents 官方做法使用模仿学习，使用专家数据在训练网络。
笔者在此例中尝试 PPO，有一定的效果。但 PPO 目前针对三消训练起来有一定难度的，比较难收敛，很难找到全局最优。
设置环境和 Reward 需要严谨的测试，否则对结果会产生极大的误差，且难以排查。
强化学习目前算法迭代比较快，如果以上有错误的地方，欢迎指正，大家一起进步。
因篇幅有限，不能把整个项目的代码全放出来，如有兴趣研究的同学，可以在下方留言，我可以完整项目通过邮箱的方式发给大家。
后续将分享在 ml-agents 外接算法，使用外部工具 stable_baselines3，采用 DQN 的算法来训练。
PS：更多技术干货，快关注【公众号 | xingzhe_ai】，与行者一起讨论吧！
评论