本文將圍繞一個(gè)實(shí)際的問題進(jìn)行介紹：應(yīng)用強(qiáng)化學(xué)習(xí)的社區(qū)可以如何從對腳本和單個(gè)案例的收集更進(jìn)一步，實(shí)現(xiàn)一個(gè)強(qiáng)化學(xué)習(xí) API——一個(gè)用于強(qiáng)化學(xué)習(xí)的 tf-learn 或 skikit-learn？在討論 TensorForce 框架之前，我們將談一談啟發(fā)了這個(gè)項(xiàng)目的觀察和思想。如果你只想了解這個(gè) API，你可以跳過這一部分。我們要強(qiáng)調(diào)一下：這篇文章并不包含對深度強(qiáng)化學(xué)習(xí)本身的介紹，也沒有提出什么新模型或談?wù)撟钚碌淖罴阉惴?，因此對于純研究者來說，這篇文章可能并不會(huì)那么有趣。

開發(fā)動(dòng)機(jī)

假設(shè)你是計(jì)算機(jī)系統(tǒng)、自然語言處理或其它應(yīng)用領(lǐng)域的研究者，你一定對強(qiáng)化學(xué)習(xí)有一些基本的了解，并且有興趣將深度強(qiáng)化學(xué)習(xí)（deep RL）用來控制你的系統(tǒng)的某些方面。

對深度強(qiáng)化學(xué)習(xí)、DQN、vanilla 策略梯度、A3C 等介紹文章已經(jīng)有很多了，比如 Karpathy 的文章（http://karpathy.github.io/2016/05/31/rl/）對策略梯度方法背后的直觀思想就進(jìn)行了很好的描述。另外，你也能找到很多可以幫助上手的代碼，比如 OpenAI 上手智能體（https://github.com/openai/baselines）、rllab（https://github.com/openai/rllab）以及 GitHub 上許多特定的算法。

但是，我們發(fā)現(xiàn)在強(qiáng)化學(xué)習(xí)的研究框架開發(fā)和實(shí)際應(yīng)用之間還存在一個(gè)巨大的鴻溝。在實(shí)際應(yīng)用時(shí)，我們可能會(huì)面臨如下的問題：

• 強(qiáng)化學(xué)習(xí)邏輯與模擬句柄的緊密耦合：模擬環(huán)境 API 是非常方便的，比如，它們讓我們可以創(chuàng)建一個(gè)環(huán)境對象然后將其用于一個(gè) for 循環(huán)中，同時(shí)還能管理其內(nèi)部的更新邏輯（比如：通過收集輸出特征）。如果我們的目標(biāo)是評估一個(gè)強(qiáng)化學(xué)習(xí)思想，那么這就是合理的，但將強(qiáng)化學(xué)習(xí)代碼和模擬環(huán)境分開則要艱難得多。它還涉及到流程控制的問題：當(dāng)環(huán)境就緒后，強(qiáng)化學(xué)習(xí)代碼可以調(diào)用它嗎？或者當(dāng)環(huán)境需要決策時(shí)，它會(huì)調(diào)用強(qiáng)化學(xué)習(xí)智能體嗎？對于在許多領(lǐng)域中實(shí)現(xiàn)的應(yīng)用強(qiáng)化學(xué)習(xí)庫，我們往往需要后者。
• 固定的網(wǎng)絡(luò)架構(gòu)：大多數(shù)實(shí)現(xiàn)案例都包含了硬編碼的神經(jīng)網(wǎng)絡(luò)架構(gòu)。這通常并不是一個(gè)大問題，因?yàn)槲覀兛梢院苤苯拥匕凑招枨蠹尤牖蛞瞥煌木W(wǎng)絡(luò)層。盡管如此，如果有一個(gè)強(qiáng)化學(xué)習(xí)庫能夠提供聲明式接口的功能，而無需修改庫代碼，那么情況就會(huì)好得多。此外，在有的案例中，修改架構(gòu)（出人意外地）要難得多，比如當(dāng)需要管理內(nèi)部狀態(tài)的時(shí)候（見下文）。
• 不兼容狀態(tài)/動(dòng)作接口：很多早期的開源代碼都使用了流行的 OpenAI Gym 環(huán)境，具有平坦的狀態(tài)輸入的簡單接口和單個(gè)離散或連續(xù)動(dòng)作輸出。但 DeepMind Lab 則使用了一種詞典格式，一般具有多個(gè)狀態(tài)和動(dòng)作。而 OpenAI Universe 則使用的是命名關(guān)鍵事件（named key events）。理想情況下，我們想讓強(qiáng)化學(xué)習(xí)智能體能處理任意數(shù)量的狀態(tài)和動(dòng)作，并且具有潛在的不同類型和形狀。比如說，TensorForce 的一位作者正在 NLP 中使用強(qiáng)化學(xué)習(xí)并且想要處理多模態(tài)輸入，其中一個(gè)狀態(tài)在概念上包含兩個(gè)輸入——一張圖像和一個(gè)對應(yīng)的描述。
• 不透明的執(zhí)行設(shè)置和性能問題：寫 TensorFlow 代碼的時(shí)候，我們很自然地會(huì)優(yōu)先關(guān)注邏輯。這會(huì)帶來大量重復(fù)/不必要的運(yùn)算或?qū)崿F(xiàn)不必要的中間值。此外，分布式/異步/并行強(qiáng)化學(xué)習(xí)的目標(biāo)也有點(diǎn)不固定，而分布式 TensorFlow 需要對特定的硬件設(shè)置進(jìn)行一定程度的人工調(diào)節(jié)。同樣，如果最終有一種執(zhí)行配置只需要聲明可用設(shè)備或機(jī)器，然后就能在內(nèi)部處理好其它一切就好了，比如兩臺(tái)有不同 IP 的機(jī)器可以運(yùn)行異步 VPG。

明確一下，這些問題并不是要批評研究者寫的代碼，因?yàn)檫@些代碼本來就沒打算被用作 API 或用于其它應(yīng)用。在這里我們介紹的是想要將強(qiáng)化學(xué)習(xí)應(yīng)用到不同領(lǐng)域中的研究者的觀點(diǎn)。

TensorForce API

TensorForce 提供了一種聲明式接口，它是可以使用深度強(qiáng)化學(xué)習(xí)算法的穩(wěn)健實(shí)現(xiàn)。在想要使用深度強(qiáng)化學(xué)習(xí)的應(yīng)用中，它可以作為一個(gè)庫使用，讓用戶無需擔(dān)心所有底層的設(shè)計(jì)就能實(shí)驗(yàn)不同的配置和網(wǎng)絡(luò)架構(gòu)。我們完全了解當(dāng)前的深度強(qiáng)化學(xué)習(xí)方法往往比較脆弱，而且需要大量的微調(diào)，但這并不意味著我們還不能為強(qiáng)化學(xué)習(xí)解決方案構(gòu)建通用的軟件基礎(chǔ)設(shè)施。

TensorForce 并不是原始實(shí)現(xiàn)結(jié)果的集合，因?yàn)檫@不是研究模擬，要將原始實(shí)現(xiàn)用在實(shí)際環(huán)境的應(yīng)用中還需要大量的工作。任何這樣的框架都將不可避免地包含一些結(jié)構(gòu)決策，這會(huì)使得非標(biāo)準(zhǔn)的事情變得更加惱人（抽象泄漏（leaky abstractions））。這就是為什么核心強(qiáng)化學(xué)習(xí)研究者可能更傾向于從頭打造他們的模型的原因。使用 TensorForce，我們的目標(biāo)是獲取當(dāng)前最佳研究的整體方向，包含其中的新興見解和標(biāo)準(zhǔn)。

接下來，我們將深入到 TensorForce API 的各個(gè)基本方面，并討論我們的設(shè)計(jì)選擇。

創(chuàng)建和配置智能體

我們首先開始用 TensorForce API 創(chuàng)建一個(gè)強(qiáng)化學(xué)習(xí)智能體：

from tensorforce import Configuration
from tensorforce.agents import DQNAgent
from tensorforce.core.networks import layered_network_builder

# Define a network builder from an ordered list of layers
layers = [dict(type='dense', size=32),
          dict(type='dense', size=32)]
network = layered_network_builder(layers_config=layers)

# Define a state
states = dict(shape=(10,), type='float')

# Define an action (models internally assert whether
# they support continuous and/or discrete control)
actions = dict(continuous=False, num_actions=5)

# The agent is configured with a single configuration object
agent_config = Configuration(
    batch_size=8,
    learning_rate=0.001,
    memory_capacity=800,
    first_update=80,
    repeat_update=4,
    target_update_frequency=20,
    states=states,
    actions=actions,
    network=network
)
agent = DQNAgent(config=agent_config)

這個(gè)示例中的狀態(tài)和動(dòng)作是更一般的狀態(tài)/動(dòng)作的短形式（short-form）。比如由一張圖像和一個(gè)描述構(gòu)成多模態(tài)輸入按如下方式定義。類似地，也可以定義多輸出動(dòng)作。注意在整個(gè)代碼中，單個(gè)狀態(tài)/動(dòng)作的短形式必須被持續(xù)不斷地用于與智能體的通信。

states = dict(
    image=dict(shape=(64, 64, 3), type='float'),
    caption=dict(shape=(20,), type='int')
)

配置參數(shù)依賴于所用的基本智能體和模型。每個(gè)智能體的完整參數(shù)列表可見于這個(gè)示例配置：https://github.com/reinforceio/tensorforce/tree/master/examples/configs

TensorForce 目前提供了以下強(qiáng)化學(xué)習(xí)算法：

• 隨機(jī)智能體基線（RandomAgent）
• 帶有 generalized advantage estimation 的 vanilla 策略梯度（VPGAgent）
• 信任區(qū)域策略優(yōu)化（TRPOAgent）
• 深度 Q 學(xué)習(xí)/雙深度 Q 學(xué)習(xí)（DQNAgent）
• 規(guī)范化的優(yōu)勢函數(shù)（NAFAgent）
• 對專家演示的深度 Q 學(xué)習(xí)（DQFDAgent）
• Asynchronous Advantage Actor-Critic（A3C）（可以隱含地通過 distributed 使用）

最后一項(xiàng)的意思是說并沒有 A3CAgent 這樣的東西，因?yàn)?nbsp;A3C 實(shí)際上描述的是一種異步更新的機(jī)制，而不是一種特定的智能體。因此，使用分布式 TensorFlow 的異步更新機(jī)制是通用 Model 基類的一部分，所有智能體都衍生于此。正如論文《Asynchronous Methods for Deep Reinforcement Learning》中描述的那樣，A3C 是通過為 VPGAgent 設(shè)置 distributed flag 而隱含地實(shí)現(xiàn)的。應(yīng)該指出，A3C 并不是對每種模型而言都是最優(yōu)的分布式更新策略（對一些模型甚至完全沒意義），我們將在本文結(jié)尾處討論實(shí)現(xiàn)其它方法（比如 PAAC）。重要的一點(diǎn)是要在概念上將智能體和更新語義的問題與執(zhí)行語義區(qū)分開。

我們還想談?wù)勀Ｐ停╩odel）和智能體（agent）之間的區(qū)別。Agent 類定義了將強(qiáng)化學(xué)習(xí)作為 API 使用的接口，可以管理傳入觀察數(shù)據(jù)、預(yù)處理、探索等各種工作。其中兩個(gè)關(guān)鍵方法是 agent.act(state) 和 agent.observe(reward, terminal)。agent.act(state) 返回一個(gè)動(dòng)作，而 agent.observe(reward, terminal) 會(huì)根據(jù)智能體的機(jī)制更新模型，比如離策略記憶回放（MemoryAgent）或在策略批處理（BatchAgent）。注意，要讓智能體的內(nèi)在機(jī)制正確工作，必須交替調(diào)用這些函數(shù)。Model 類實(shí)現(xiàn)了核心強(qiáng)化學(xué)習(xí)算法，并通過 get_action 和 update 方法提供了必要的接口，智能體可以在相關(guān)點(diǎn)處內(nèi)在地調(diào)用。比如說，DQNAgent 是一個(gè)帶有 DQNModel 和額外一行（用于目標(biāo)網(wǎng)絡(luò)更新）的 MemoryAgent 智能體。

def observe(self, reward, terminal):
    super(DQNAgent, self).observe(reward, terminal)
    if self.timestep >= self.first_update \
            and self.timestep % self.target_update_frequency == 0:
        self.model.update_target()

神經(jīng)網(wǎng)絡(luò)配置

強(qiáng)化學(xué)習(xí)的一個(gè)關(guān)鍵問題是設(shè)計(jì)有效的價(jià)值函數(shù)。在概念上講，我們將模型看作是對更新機(jī)制的描述，這有別于實(shí)際更新的東西——在深度強(qiáng)化學(xué)習(xí)的例子中是指一個(gè)（或多個(gè)）神經(jīng)網(wǎng)絡(luò)。因此，模型中并沒有硬編碼的網(wǎng)絡(luò)，而是根據(jù)配置不同的實(shí)例化。

在上面的例子中，我們通過編程創(chuàng)造了一個(gè)網(wǎng)絡(luò)配置作為描述每一層的詞典列表。這樣的配置也可以通過 JSON 給出，然后使用一個(gè)效用函數(shù)將其變成一個(gè)網(wǎng)絡(luò)構(gòu)建器（network constructor）。這里給出了一個(gè) JSON 網(wǎng)絡(luò)規(guī)范的例子：

[
    {
        "type": "conv2d",
        "size": 32,
        "window": 8,
        "stride": 4
    },
    {
        "type": "conv2d",
        "size": 64,
        "window": 4,
        "stride": 2
    },
    {
        "type": "flatten"
    },
    {
        "type": "dense",
        "size": 512
    }
]

和之前一樣，這個(gè)配置必須被添加到該智能體的配置（configuration）對象中：

from tensorforce.core.networks import from_json

agent_config = Configuration(
    ...
    network=from_json('configs/network_config.json')
    ...
)

默認(rèn)的激活層是 relu，但也還有其它激活函數(shù)可用（目前有 elu、selu、softmax、tanh 和 sigmoid）。此外也可以修改層的其它性質(zhì)，比如，可以將一個(gè)稠密層（dense layer）改成這樣：

[
    {
        "type": "dense",
        "size": 64,
        "bias": false,
        "activation": "selu",
        "l2_regularization": 0.001
    }
]

我們選擇不使用已有的層實(shí)現(xiàn)（比如來自 tf.layers），從而能對內(nèi)部運(yùn)算施加明確的控制，并確保它們能與 TensorForce 的其余部分正確地整合在一起。我們想要避免對動(dòng)態(tài) wrapper 庫的依賴，因此僅依賴于更低層的 TensorFlow 運(yùn)算。

我們的 layer 庫目前僅提供了非常少的基本層類型，但未來還會(huì)擴(kuò)展。另外你也可以輕松整合你自己的層，下面給出了一個(gè)批規(guī)范化層的例子：

def batch_normalization(x, variance_epsilon=1e-6):
    mean, variance = tf.nn.moments(x, axes=tuple(range(x.shape.ndims - 1)))
    x = tf.nn.batch_normalization(x, mean=mean, variance=variance,
                                  variance_epsilon=variance_epsilon)
    return x

{
    "type": "[YOUR_MODULE].batch_normalization",
    "variance_epsilon": 1e-9
}

到目前為止，我們已經(jīng)給出了 TensorForce 創(chuàng)建分層網(wǎng)絡(luò)的功能，即一個(gè)采用單一輸入狀態(tài)張量的網(wǎng)絡(luò)，具有一個(gè)層的序列，可以得出一個(gè)輸出張量。但是在某些案例中，可能需要或更適合偏離這樣的層堆疊結(jié)構(gòu)。最顯著的情況是當(dāng)要處理多個(gè)輸入狀態(tài)時(shí)，這是必需的，使用單個(gè)處理層序列無法自然地完成這一任務(wù)。

我們目前還沒有為自動(dòng)創(chuàng)建對應(yīng)的網(wǎng)絡(luò)構(gòu)建器提供更高層的配置接口。因此，對于這樣的案例，你必須通過編程來定義其網(wǎng)絡(luò)構(gòu)建器函數(shù)，并像之前一樣將其加入到智能體配置中。比如之前的多模態(tài)輸入（image 和 caption）例子，我們可以按以下方式定義一個(gè)網(wǎng)絡(luò)：

def network_builder(inputs):
    image = inputs['image']  # 64x64x3-dim, float
    caption = inputs['caption']  # 20-dim, int

    with tf.variable_scope('cnn'):
        weights = tf.Variable(tf.random_normal(shape=(3, 3, 3, 16), stddev=0.01))
        image = tf.nn.conv2d(image, filter=weights, strides=(1, 1, 1, 1))
        image = tf.nn.relu(image)
        image = tf.nn.max_pool(image, ksize=(1, 2, 2, 1), strides=(1, 2, 2, 1))

        weights = tf.Variable(tf.random_normal(shape=(3, 3, 16, 32), stddev=0.01))
        image = tf.nn.conv2d(image, filter=weights, strides=(1, 1, 1, 1))
        image = tf.nn.relu(image)
        image = tf.nn.max_pool(image, ksize=(1, 2, 2, 1), strides=(1, 2, 2, 1))

        image = tf.reshape(image, shape=(-1, 16 * 16, 32))
        image = tf.reduce_mean(image, axis=1)

    with tf.variable_scope('lstm'):
        weights = tf.Variable(tf.random_normal(shape=(30, 32), stddev=0.01))
        caption = tf.nn.embedding_lookup(params=weights, ids=caption)
        lstm = tf.contrib.rnn.LSTMCell(num_units=64)
        caption, _ = tf.nn.dynamic_rnn(cell=lstm, inputs=caption, dtype=tf.float32)
        caption = tf.reduce_mean(caption, axis=1)

    return tf.multiply(image, caption)


agent_config = Configuration(
    ...
    network=network_builder
    ...
)

內(nèi)部狀態(tài)和 Episode 管理

和經(jīng)典的監(jiān)督學(xué)習(xí)設(shè)置（其中的實(shí)例和神經(jīng)網(wǎng)絡(luò)調(diào)用被認(rèn)為是獨(dú)立的）不同，強(qiáng)化學(xué)習(xí)一個(gè) episode 中的時(shí)間步取決于之前的動(dòng)作，并且還會(huì)影響后續(xù)的狀態(tài)。因此除了其每個(gè)時(shí)間步的狀態(tài)輸入和動(dòng)作輸出，可以想象神經(jīng)網(wǎng)絡(luò)可能有內(nèi)部狀態(tài)在 episode 內(nèi)的對應(yīng)于每個(gè)時(shí)間步的輸入/輸出。下圖展示了這種網(wǎng)絡(luò)隨時(shí)間的工作方式：

這些內(nèi)部狀態(tài)的管理（即在時(shí)間步之間前向傳播它們和在開始新 episode 時(shí)重置它們）可以完全由 TensorForce 的 agent 和 model 類處理。注意這可以處理所有的相關(guān)用例（在 batch 之內(nèi)一個(gè) episode，在 batch 之內(nèi)多個(gè) episode，在 batch 之內(nèi)沒有終端的 episode）。到目前為止，LSTM 層類型利用了這個(gè)功能：

[
    {
        "type": "dense",
        "size": 32
    },
    {
        "type": "lstm"
    }
]

在這個(gè)示例架構(gòu)中，稠密層的輸出被送入一個(gè) LSTM cell，然后其得出該時(shí)間步的最終輸出。當(dāng)向前推進(jìn)該 LSTM 一步時(shí)，其內(nèi)部狀態(tài)會(huì)獲得更新并給出此處的內(nèi)部狀態(tài)輸出。對于下一個(gè)時(shí)間步，網(wǎng)絡(luò)會(huì)獲得新狀態(tài)輸入及這個(gè)內(nèi)部狀態(tài)，然后將該 LSTM 又推進(jìn)一步并輸出實(shí)際輸出和新的內(nèi)部 LSTM 狀態(tài)，如此繼續(xù)……

對于帶有內(nèi)部狀態(tài)的層的自定義實(shí)現(xiàn)，該函數(shù)不僅必須要返回該層的輸出，而且還要返回一個(gè)內(nèi)部狀態(tài)輸入占位符的列表、對應(yīng)的內(nèi)部狀態(tài)輸出張量和一個(gè)內(nèi)部狀態(tài)初始化張量列表（這些都長度相同，并且按這個(gè)順序）。以下代碼片段給出了我們的 LSTM 層實(shí)現(xiàn)（一個(gè)簡化版本），并說明了帶有內(nèi)部狀態(tài)的自定義層的定義方式：

def lstm(x):
    size = x.get_shape()[1].value
    internal_input = tf.placeholder(dtype=tf.float32, shape=(None, 2, size))
    lstm = tf.contrib.rnn.LSTMCell(num_units=size)
    state = tf.contrib.rnn.LSTMStateTuple(internal_input[:, 0, :],
                                          internal_input[:, 1, :])
    x, state = lstm(inputs=x, state=state)
    internal_output = tf.stack(values=(state.c, state.h), axis=1)
    internal_init = np.zeros(shape=(2, size))
    return x, [internal_input], [internal_output], [internal_init]

預(yù)處理狀態(tài)

我們可以定義被應(yīng)用于這些狀態(tài)（如果指定為列表的詞典，則可能是多個(gè)狀態(tài)）的預(yù)處理步驟，比如，為了對視覺輸入進(jìn)行下采樣。下面的例子來自 Arcade Learning Environment 預(yù)處理器，大多數(shù) DQN 實(shí)現(xiàn)都這么用：

config = Configuration(
    ...
    preprocessing=[
        dict(
            type='image_resize',
            kwargs=dict(width=84, height=84)
        ),
        dict(
            type='grayscale'
        ),
        dict(
            type='center'
        ),
        dict(
            type='sequence',
            kwargs=dict(
                length=4
            )
        )
    ]
    ...
)

這個(gè) stack 中的每一個(gè)預(yù)處理器都有一個(gè)類型，以及可選的 args 列表和/或 kwargs 詞典。比如 sequence 預(yù)處理器會(huì)取最近的四個(gè)狀態(tài)（即：幀）然后將它們堆疊起來以模擬馬爾可夫?qū)傩?。隨便一提：在使用比如之前提及的 LSTM 層時(shí)，這顯然不是必需的，因?yàn)?nbsp;LSTM 層可以通過內(nèi)部狀態(tài)建模和交流時(shí)間依賴。

探索

探索可以在 configuration 對象中定義，其可被智能體應(yīng)用到其模型決定所在的動(dòng)作上（以處理多個(gè)動(dòng)作，同樣，會(huì)給出一個(gè)規(guī)范詞典）。比如，為了使用 Ornstein-Uhlenbeck 探索以得到連續(xù)的動(dòng)作輸出，下面的規(guī)范會(huì)被添加到配置中。

config = Configuration(
    ...
    exploration=dict(
        type='OrnsteinUhlenbeckProcess',
        kwargs=dict(
            sigma=0.1,
            mu=0,
            theta=0.1
        )
    )
    ...
)

以下幾行代碼添加了一個(gè)用于離散動(dòng)作的 epsilon 探索，它隨時(shí)間衰減到最終值：

config = Configuration(
    ...
    exploration=dict(
        type='EpsilonDecay',
        kwargs=dict(
            epsilon=1,
            epsilon_final=0.01,
            epsilon_timesteps=1e6
        )
    )
    ...
)

用 Runner 效用函數(shù)使用智能體

讓我們使用一個(gè)智能體，這個(gè)代碼是在我們測試環(huán)境上運(yùn)行的一個(gè)智能體：https://github.com/reinforceio/tensorforce/blob/master/tensorforce/environments/minimal_test.py，我們將其用于連續(xù)積分——一個(gè)為給定智能體/模型的工作方式驗(yàn)證行動(dòng)、觀察和更新機(jī)制的最小環(huán)境。注意我們所有的環(huán)境實(shí)現(xiàn)（OpenAI Gym、OpenAI Universe、DeepMind Lab）都使用了同一個(gè)接口，因此可以很直接地使用另一個(gè)環(huán)境運(yùn)行測試。

Runner 效用函數(shù)可以促進(jìn)一個(gè)智能體在一個(gè)環(huán)境上的運(yùn)行過程。給定任意一個(gè)智能體和環(huán)境實(shí)例，它可以管理 episode 的數(shù)量，每個(gè) episode 的最大長度、終止條件等。Runner 也可以接受 cluster_spec 參數(shù)，如果有這個(gè)參數(shù)，它可以管理分布式執(zhí)行（TensorFlow supervisors/sessions/等等）。通過可選的 episode_finished 參數(shù)，你還可以周期性地報(bào)告結(jié)果，還能給出在最大 episode 數(shù)之前停止執(zhí)行的指標(biāo)。

environment = MinimalTest(continuous=False)

network_config = [
    dict(type='dense', size=32)
]
agent_config = Configuration(
    batch_size=8,
    learning_rate=0.001,
    memory_capacity=800,
    first_update=80,
    repeat_update=4,
    target_update_frequency=20,
    states=environment.states,
    actions=environment.actions,
    network=layered_network_builder(network_config)
)

agent = DQNAgent(config=agent_config)
runner = Runner(agent=agent, environment=environment)

def episode_finished(runner):
    if runner.episode % 100 == 0:
        print(sum(runner.episode_rewards[-100:]) / 100)
    return runner.episode < 100 \
        or not all(reward >= 1.0 for reward in runner.episode_rewards[-100:])

runner.run(episodes=1000, episode_finished=episode_finished)

為了完整，我們明確給出了在一個(gè)環(huán)境上運(yùn)行一個(gè)智能體的最小循環(huán)：

episode = 0
episode_rewards = list()

while True:
    state = environment.reset()
    agent.reset()

    timestep = 0
    episode_reward = 0
    while True:
        action = agent.act(state=state)
        state, reward, terminal = environment.execute(action=action)
        agent.observe(reward=reward, terminal=terminal)

        timestep += 1
        episode_reward += reward

        if terminal or timestep == max_timesteps:
            break

    episode += 1
    episode_rewards.append(episode_reward)

    if all(reward >= 1.0 for reward in episode_rewards[-100:]) \
            or episode == max_episodes:
        break

正如在引言中說的一樣，在一個(gè)給定應(yīng)用場景中使用 runner 類取決于流程控制。如果使用強(qiáng)化學(xué)習(xí)可以讓我們合理地在 TensorForce 中查詢狀態(tài)信息（比如通過一個(gè)隊(duì)列或網(wǎng)絡(luò)服務(wù)）并返回動(dòng)作（到另一個(gè)隊(duì)列或服務(wù)），那么它可被用于實(shí)現(xiàn)環(huán)境接口，并因此可以使用（或擴(kuò)展）runner 效用函數(shù)。

更常見的情況可能是將 TensorForce 用作驅(qū)動(dòng)控制的外部應(yīng)用庫，因此無法提供一個(gè)環(huán)境句柄。對研究者來說，這可能無足輕重，但在計(jì)算機(jī)系統(tǒng)等領(lǐng)域，這是一個(gè)典型的部署問題，這也是大多數(shù)研究腳本只能用于模擬，而無法實(shí)際應(yīng)用的根本原因。

另外值得提及的一點(diǎn)是聲明式的中心配置對象使得我們可以直接用超參數(shù)優(yōu)化為強(qiáng)化學(xué)習(xí)模型的所有組件配置接口，尤其還有網(wǎng)絡(luò)架構(gòu)。

進(jìn)一步思考

我們希望你能發(fā)現(xiàn) TensorForce 很有用。到目前為止，我們的重點(diǎn)還是讓架構(gòu)先就位，我們認(rèn)為這能讓我們更持續(xù)一致地實(shí)現(xiàn)不同的強(qiáng)化學(xué)習(xí)概念和新的方法，并且避免探索新領(lǐng)域中的深度強(qiáng)化學(xué)習(xí)用例的不便。

在這樣一個(gè)快速發(fā)展的領(lǐng)域，要決定在實(shí)際的庫中包含哪些功能是很困難的?，F(xiàn)在的算法和概念是非常多的，而且看起來在 Arcade Learning Environment (ALE) 環(huán)境的一個(gè)子集上，每周都有新想法得到更好的結(jié)果。但也有一個(gè)問題存在：許多想法都只在易于并行化或有特定 episode 結(jié)構(gòu)的環(huán)境中才有效——對于環(huán)境屬性以及它們與不同方法的關(guān)系，我們還沒有一個(gè)準(zhǔn)確的概念。但是，我們能看到一些明顯的趨勢：

• 策略梯度和 Q 學(xué)習(xí)方法混合以提升樣本效率（PGQ、Q-Prop 等）：這是一種合乎邏輯的事情，盡管我們還不清楚哪種混合策略將占上風(fēng)，但是我們認(rèn)為這將成為下一個(gè)「標(biāo)準(zhǔn)方法」。我們非常有興趣理解這些方法在不同應(yīng)用領(lǐng)域（數(shù)據(jù)豐富/數(shù)據(jù)稀疏）的實(shí)用性。我們一個(gè)非常主觀的看法是大多數(shù)應(yīng)用研究者都傾向于使用 vanilla 策略梯度的變體，因?yàn)樗鼈円子诶斫?、?shí)現(xiàn)，而且更重要的是比新算法更穩(wěn)健，而新算法可能需要大量的微調(diào)才能處理潛在的數(shù)值不穩(wěn)定性（numerical instabilities）。一種不同的看法是非強(qiáng)化學(xué)習(xí)研究者可能只是不知道相關(guān)的新方法，或者不愿意費(fèi)力去實(shí)現(xiàn)它們。而這就激勵(lì)了 TensorForce 的開發(fā)。最后，值得考慮的是，應(yīng)用領(lǐng)域的更新機(jī)制往往沒有建模狀態(tài)、動(dòng)作和回報(bào)以及網(wǎng)絡(luò)架構(gòu)重要。
• 更好地利用 GPU 和其他可用于并行/一步/分布式方法的設(shè)備（PAAC、GA3C 等）：這一領(lǐng)域的方法的一個(gè)問題是關(guān)于收集數(shù)據(jù)與更新所用時(shí)間的隱含假設(shè)。在非模擬的領(lǐng)域，這些假設(shè)可能并不成立，而理解環(huán)境屬性會(huì)如何影響設(shè)備執(zhí)行語義還需要更多的研究。我們?nèi)匀辉谑褂?nbsp;feed_dicts，但也在考慮提升輸入處理的性能。
• 探索模式（比如，基于計(jì)數(shù)的探索、參數(shù)空間噪聲……）
• 大型離散動(dòng)作空間、分層模型和子目標(biāo)（subgoal）的分解。比如 Dulac-Arnold 等人的論文《Deep Reinforcement Learning in Large Discrete Action Spaces》。復(fù)雜離散空間（比如許多依賴于狀態(tài)的子選項(xiàng)）在應(yīng)用領(lǐng)域是高度相關(guān)的，但目前還難以通過 API 使用。我們預(yù)計(jì)未來幾年會(huì)有大量成果。
• 用于狀態(tài)預(yù)測的內(nèi)部模塊和基于全新模型的方法：比如論文《The Predictron: End-To-End Learning and Planning》。
• 貝葉斯深度強(qiáng)化學(xué)習(xí)和關(guān)于不確定性的推理

總的來說，我們正在跟蹤這些發(fā)展，并且將會(huì)將此前錯(cuò)過的已有技術(shù)（應(yīng)該有很多）納入進(jìn)來；而一旦我們相信一種新想法有變成穩(wěn)健的標(biāo)準(zhǔn)方法的潛力，我們也會(huì)將其納入進(jìn)來。在這個(gè)意義上，我們并沒有與研究框架構(gòu)成明確的競爭，而是更高程度的覆蓋。

本文轉(zhuǎn)自機(jī)器之心，原文來自reinforce，作者M(jìn)ichael Schaarschmidt、Alexander Kuhnle、Kai Fricke。