原文地址：https://blog.csdn.net/jinzhuojun/article/details/80417179
OpenAI出品的baselines項目提供了一系列deep reinforcement learning（DRL，深度強化學習或深度增強學習）算法的實現。現在已經有包括DQN,DDPG,TRPO,A2C,ACER,PPO在內的近十種經典算法實現，同時它也在不斷擴充中。它爲對DRL算法的復現驗證和修改實驗提供了很大的便利。本文主要走讀其中的PPO（Proximal Policy Optimization）算法的源碼實現。PPO是2017年由OpenAI提出的一種DRL算法，它不僅有很好的performance（尤其是對於連續控制問題），同時相較於之前的TRPO方法更加易於實現。之前寫過一篇雜文《深度增強學習（DRL）漫談 - 信賴域（Trust Region）系方法》對其歷史、原理及相關方法做了簡單介紹，因此本文主要focus在代碼實現的學習瞭解上。
OpenAI baselines項目中對於PPO算法有兩個實現，分別位於ppo1和ppo2目錄下。其中ppo2是利用GPU加速的，官方號稱會快三倍左右，所以下面主要是看ppo2。對應論文爲《Proximal Policy Optimization Algorithms》，以下簡稱PPO論文。本文我們就以atari這個經典的DRL實驗場景爲例看一下大體流程。啓動訓練的命令在readme中有：
$ python3 -m baselines.ppo2.run_atari這樣就開始訓練了，每輪參數更新後會打印出相關信息。如：
------------------------------------
| approxkl | 0.003101161 |
| clipfrac | 0.17260742 |
| eplenmean | 941 |
| eprewmean | 34.9 |
| explained_variance | 0.704 |
| fps | 981 |
| nupdates | 1653 |
| policy_entropy | 0.85041255 |
| policy_loss | -0.01297911 |
| serial_timesteps | 211584 |
| time_elapsed | 1.63e+03 |
| total_timesteps | 1692672 |
| value_loss | 0.036234017 |
------------------------------------可以看到，入口爲run_atari.py中的main()：
def main():
# 實現位於common/cmd_util.py。它主要爲parser添加幾個參數：
# 1) env:代表要執行atari中的哪個遊戲環境。默認爲BreakoutNoFrameskip-v4，即“打磚塊”。
# 2) seed：隨機種子。默認爲０。
# 3) num-timesteps：訓練的頻數。默認爲10M次。
parser = atari_arg_parser()
# 通過參數選擇policy network的形式，實現在policies.py。默認爲CNN。這裏有三種選擇：
# 1) CNN：相應函數爲CnnPolicy()。發表於《Nature》上的經典DRL奠基論文《Human-level control through
# deep reinforcement learning》中使用的神經網絡結構：conv->relu->conv->relu->conv->relu->
# fc->relu。注意它是雙頭網絡，一頭輸出policy，一頭輸出value。
# 2) LSTM：相應函數爲LstmPolicy()。它將CNN的輸出之上再加上LSTM層，這樣就結合了時間域的信息。
# 3) LnLSTM：相應函數爲LnLstmPolicy()。其它的和上面一樣，只是在構造LSTM層時添加了Layer normalization
# （詳見論文《Layer Normalization》）
parser.add_argument('--policy', help='Policy architecture', choices=['cnn', 'lstm', 'lnlstm'], default='cnn')
# 用剛纔的構建的parser解析命令行傳入的參數。
args = parser.parse_args()
# 這個項目中實現了簡單的日誌系統。其中日誌所在目錄和格式可以用過OPENAI_LOGDIR和OPENAI_LOG_FORMAT兩個環境
# 變量控制。實現類Logger中主要有兩個字典：name2val和name2cnt。它們分別是名稱到值和計數的映射。
logger.configure()
# 這裏是開始正式訓練了。
train(args.env, num_timesteps=args.num_timesteps, seed=args.seed,
policy=args.policy)主函數中最後調用了train()函數進行訓練。
def train(env_id, num_timesteps, seed, policy):
# 首先是一坨和TensorFlow相關的環境設置，比如根據cpu核數設定並行線程數等。
...
# 構建運行環境。流程還比較長，下面會再詳細地理下。
env = VecFrameStack(make_atari_env(env_id, 8, seed), 4)
# 對應前面說的三種策略網絡。用於根據參數選取相應的實現函數。
policy = {'cnn' : CnnPolicy, 'lstm' : LstmPolicy, 'lnlstm' : LnLstmPolicy}[policy]
# 使用PPO算法進行學習。其中傳入的參數不少是模型的超參數。詳細可參見PPO論文中的Table 5。
ppo2.learn(policy=policy, env=env, nsteps=128, nminibatches=4,
lam=0.95, gamma=0.99, noptepochs=4, log_interval=1,
ent_coef=.01,
lr=lambda f : f * 2.5e-4,
cliprange=lambda f : f * 0.1,
total_timesteps=int(num_timesteps * 1.1))可以看到，train()函數中比較重要的就是兩大塊：環境構建和模型參數學習。首先看看環境構建流程：
# make_atari_env()函數實現位於common/cmd_util.py。看函數名就知道主要就是創建atari環境。通過OpenAI gym
# 創建基本的atari環境後，還需要層層封裝。gym中提供了Wrapper接口，讓開發者通過decorator設計模式來改變環境中的設# 定。
def make_atari_env(env_id, num_env, ...): # 這裏的num_env爲8，意味着會創建8個獨立的並行運行環境。
def make_env(rank):
def _thunk():
# 創建由gym構建的atari環境的封裝類。
env = make_atari(env_id):
# 通過OpenAI的gym接口創建gym環境。
env = gym.make(env_id)
# NoopResetEnv爲gym.Wrapper的繼承類。每次環境重置（調用reset()）時執行指定步隨機動作。
env = NoopResetEnv(env)
# MaxAndSkipEnd也是gym.Wrapper的繼承類。每隔4幀返回一次。返回中的reward爲這４幀reward
# 之和，observation爲最近兩幀中最大值。
env = MaxAndSkipEnd(env)
return env
# 每個環境選取不同的隨機種子，避免不同環境跑得都一樣。
env.seed(seed + rank)
# 實現在monitor.py中。Monitor爲gym中Wrapper的繼承類，對環境Env進行封裝，主要添加了對
# episode結束時信息的記錄。
env = Monitor(env, ...)
return wrap_deepmind(env, ...):
# 標準情況下，對於atari中的很多遊戲（比如這兒的打磚塊），命掉光了（如該遊戲有5條命）算episode
# 結束，環境重置。這個Wrapper的作用是隻要掉命就讓step()返回done，但保持環境重置的時機不變
#（仍然是命掉完時）。原註釋中說這個trick在DeepMind的DQN中用來幫助value的估計。
env = EpisodeicLifeEnv(env)
# 通過OpenCV將原始輸入轉成灰度圖，且轉成84 x 84的分辨率。
env = WarpFrame(env)
# 將reward按正負值轉爲+1, -1和0。
env = ClipRewardEnv(env)
...
return env
return _thunk
...
# 返回SubprocVecEnv對象。
return SubprocVecEnv([make_env(i + start_index) for i in range(num_env)]) 創建num_env個元素（這裏爲８）的數組，每一個元素爲一個函數閉包_thunk()。VecEnv實現在baselines/common/vec_env/__init__.py，它是一個抽象類，代表異步向量化環境。其中包括幾個重要的抽象函數：
reset()用於重置所有環境，step_async()用於通知所有環境開始根據給定動作執行一步，step_wait()得到執行完的結果。step_wait()等待step_async()的結果。step()就是step_async() 加上step_wait()。而VecEnvWrapper也爲VecEnv的繼承類，和gym中提供的Wrapper功能類似，如果要對VecEnv實現的默認行爲做修改的話就可以利用它。
上面函數最後返回的SubprocVecEnv類爲VecEnv的繼承類，它主要將上面創建好的函數放到各個子進程中去執行。在SubprocVecEnv實現類中，構造時傳入在子進程中執行的函數。通過Process創建子進程，並通過Pipe進行進程間通信。make_atari_env()中創建SubprocVecEnv後，又立馬被VecFrameStack封裝了一把。VecFrameStack爲VecEnvWrapper的實現類，實現在vec_frame_stack.py。在VecFrameStack的構造函數中，wos爲gym環境中的原始狀態空間，維度爲[84,84,1]。low和high分別爲這些維度的最低和最高值。stackedobs就是把幾個環境的狀態空間疊加起來，即維度變爲(8, 84, 84, 4)。8爲環境個數，(84,84)爲單幀狀態維度，也就是遊戲的屏幕輸出，4代表最近4幀（因爲會用最近4的幀的遊戲畫面來作爲網絡模型的輸入）。
可以看到，除了正常的封裝外，還需要做一些比較tricky，比較靠經驗的處理。理論上我們希望這部分越少越好，因爲越少算法就越通用。然而現狀是這一塊tuning對結果的好壞可能產生比較大的影響。。。
好了，接下去就可以看看PPO算法主體了。入口爲ppo2.py的learn()函數。
# 首先一坨參數設定，仍然以run_atari.py爲例。
nenvs = env.num_envs # 8
ob_space = env.observation_space # Box(84,84,4)
ac_space = env.action_space # Discrete(4)
nbatch = nenvs * nsteps # 1024 = 8 * 128。共８個並行環境，每個環境執行128步。即nbatch爲單個batch中所有環境中執行的總步數。
nbatch_train = nbatch // nminibatches # 256 = 1024 / 4。nbatch_train爲訓練時batch的大小。即1024步分４次訓練。
# make_model()函數是一個用於構造Model對象的函數。
make_model = lambda : Model(policy=policy, ob_space=ob_space, ...)
# 創建Model。
model = make_model()模型的構建也是最核心的部分。這塊要和PPO論文配合起來看，否則容易暈。
class Model(object):
def __init__(self, *, policy, ob_space, ac_space, nbatch_act, nbatch_train,
nsteps, ent_coef, vf_coef, max_grad_norm):
# 用前面指定的網絡類型構造兩個策略網絡。act_model用於執行策略網絡根據當前observation返回
# action和value等，即只做inference。train_model顧名思義主要用於參數的更新（模型的學習）。
# 注意這兩個網絡的參數是共享的，因此train_model更新的參數可以體現在act_model上。假設使用默
# 認的CnnPolicy，其中的step()函數計算action, value function和action提供的信息量；
# value()函數計算value。
# nbatch_act = 8，就等於環境個數nenvs。因爲每一次都分別對８個環境執行，得到每個環境中actor的動作。
# 1爲nsteps。其實在CNN中沒啥用，在LSTM纔會用到（因爲LSTM會考慮前nsteps步作爲輸入）。
act_model = policy(sess, ob_space, ac_space, nbatch_act, 1, reuse=False)
h = nature_cnn(X) # 如前面所說，《Nature》上的網絡結構打底。然後輸出policy和value。
pi = fc(h, 'pi', ...) # for policy
vf = fc(h, 'v') # for value function
# 根據action space創建相應的參數化分佈。如這裏action space是Discrete(4)，那分佈
# 就是CategoricalPdType()。然後根據該分佈類型，結合網絡輸出（pi），得到動作概率分
# 布CategoricalPd，最後在該分佈上採樣，得到動作a0。neglogp0即爲該動作的自信息量。
pdtype = make_pdtype()
pd = self.pdtype.pdfromflat(pi)
a0 = self.pd.sample()
neglogp0 = self.pd.neglogp(a0)
# 和構建action model類似，構建用於訓練的網絡train_model。nbatch_train爲256，因爲是用於模型的學習,
# 因此和act_model不同，這兒網絡輸入的batch size爲256。
train_model = policy(sess, ob_space, ac_space, nbatch_train, nsteps, reuse=True)
# 創建一坨placeholder，這些是後面要傳入的。
A = train_model.pdtype.sample_placeholder([None]) # action
ADV = tf.placeholder(tf.float32, [None]) # advantage
R = tf.placeholder(tf.float32, [None]) # return
OLDNEGLOGPAC = tf.placeholder(tf.float32, [None]) # old -log(action)
OLDVPRED = tf.placeholder(tf.float32, [None]) # old value prediction
LR = tf.placeholder(tf.float32, []) # learning rate
CLIPRANGE = tf.placeholder(tf.float32, []) # clip range，就是論文中的epsilon。
neglogpac = train_model.pd.neglogp(A) # -log(action)
entropy = tf.reduce_mean(train_model.pd.entropy())
# 訓練模型提供的value預測。
vpred = train_model.vf
# 和vpred類似，只是與上次的vpred相比變動被clip在由CLIPRANGE指定的區間中。
vpredclipped = OLDVPRED + tf.clip_by_value(train_model.vf - OLDVPRED, - CLIPRANGE, CLIPRANGE)
vf_losses1 = tf.square(vpred - R)
vf_losses2 = tf.square(vpredclipped - R)
# V loss爲兩部分取大值：第一部分是網絡預測value值和R的差平方；第二部分是被clip過的預測value值
# 和return的差平方。這部分和論文中似乎不太一樣。主要目的應該是懲罰value值的過大更新。
vf_loss = .5 * tf.reduce_mean(tf.maximum(vf_losses1, vf_losses2))
# 論文中的probability ratio。把這裏的exp和log展開就是論文中的形式。
ratio = tf.exp(OLDNEGLOGPAC - neglogpac)
pg_losses = -ADV * ratio
pg_losses2 = -ADV * tf.clip_by_value(ratio, 1.0 - CLIPRANGE, 1.0 + CLIPRANGE)
# 論文公式(7)，由於前面都有負號，這裏是取maximum.
pg_loss = tf.reduce_mean(tf.maximum(pg_losses, pg_losses2))
approxkl = .5 * tf.reduce_mean(tf.square(neglogpac - OLDNEGLOGPAC))
clipfrac = tf.reduce_mean(tf.to_float(tf.greater(tf.abs(ratio - 1.0), CLIPRANGE)))
# 論文公式(9)，ent_coef, vf_coef分別爲PPO論文中的c1, c2，這裏分別設爲0.01和0.5。entropy爲文中的S；pg_loss爲文中的L^{CLIP}
loss = pg_loss - entropy * ent_coef + vf_loss * vf_coef
# 構建trainer，用於參數優化。
grads = tf.gradients(loss, params)
trainer = tf.train.AdamOptimizer(learning_rate=LR, max_grad_norm)
_train = trainer.apply_gradients()上面模型構造完了，接下來就是模型學習過程的skeleton了。Runner類主要作爲學習過程的組織協調者。
# Runnder是整個訓練過程的協調者。
runner = Runner(env=env, model=model, nsteps=nsteps,...)
# total_timesteps = 11000000, nbatch = 1024，因此模型參數更新nupdates = 10742次。
nupdates = total_timesteps // nbatch
for update in range(1, nupdates+1) # 對應論文中Algorithm的外循環。
obs, returns, masks, actions, values, ... = runner.run()
# 模型（上面的act_model）執行nsteps步。有8個環境，即共1024步。該循環對應論文中Algorithm的第2,3行。
for _ in range(self.nsteps):
# 執行模型，通過策略網絡返回動作。
actions, values, self.states, ... = self.model.step(self.obs, self.status, ...)
# 通過之前創建的環境執行動作，得到observation和reward等信息。
self.obs[:], rewards, self.dones, infos = self.env.step(actions)
# 上面環境執行返回的observation, action, values等信息都加入mb_xxx中存起來，後面要拿來學習參數用。
mb_obs = np.asarray(mb_obs, dtype=self.obs.dtype)
mb_rewards = np.asarray(mb_rewards, dtype=np.float32)
mb_actions = np.asarray(mb_actions)
...
# 估計Advantage。對應化文中Algorithm的第4行。
for t in reversed(range(self.nsteps)):
# 論文中公式(12)。
delta = mb_rewards[t] + self.gamma * nextvalues * nextnonterminal - mb_values[t]
# 論文中公式(11)。
mb_advs[t] = lastgaelam = delta + self.gamma * self.lam * nextnonterminal * lastgaelam
mb_returns = mb_advs + mb_values # Return = Advantage + Value
return (*map(sf01, (mb_obs, mb_returns, mb_dones, mb_actions, mb_values, mb_neglogpacs)), mb_states, epinfos)
epinfobuf.extend(epinfos) # Gym中返回的info。
# 論文中Algorithm 1第6行。
if states is None: # nonrecurrent version
inds = np.arange(nbatch)
for _ in range(noptepochs): # epoch爲4
np.random.shuffle(inds)
# ８個actor，每個運行128步，因此單個batch爲1024步。1024步又分爲4個minibatch，
# 因此單次訓練的batch size爲256(nbatch_train)。
for start in range(0, nbatch, nbatch_train): # [0, 256, 512, 768]
end = start + nbatch_train
mbinds = inds[start:end]
slices = (arr[mbinds] for arr in (obs, ...))
# 將前面得到的batch訓練數據作爲參數，調用模型的train()函數進行參數學習。
mblossvals.append(model.train(lrnow, cliprangenow, *slices))
# Advantage = Return - Value
advs = returns - values
# Normalization
advs = (advs - advs.mean()) / (advs.std() + 1e-8)
# cliprange是隨着更新的步數遞減的。因爲一般來說訓練越到後面越收斂，每一步的差異也會越來越小。
# neglogpacs和values都是nbatch_train維向量，即shape爲(256, )。
td_map = {train_mode.X:obs, A:actions, ADV:advs, R:returns, LR:lr,
CLIPRANGE:cliprange, OLDNEGLOGPAC:neglogpacs, OLDVPRED:values}
return sess.run([pg_loss, vf_loss, entropy, approxkl, clipfrac, _train], td_map)
else:
...
# 每過指定間隔打印以下參數。
if update % log_interval == 0 or update == 1:
ev = explained_variance(values, returns)
logger.logkv("serial_timesteps", update*nsteps)
logger.logkv("nupdates", update)
...
# 滿足條件時保存模型。
if save_interval and (update % save_interval == 0 or update == 1) and logger.get_dir():
...
model.save(savepath)
env.close()訓練結束，我們可以通過下面命令將訓練過程中的主要指標-Episode Rewards圖形化。可以用–dirs參數指定前面訓練時log所在目錄。
python3 -m baselines.results_plotter可以看到，如期望地，隨着訓練的進行，學習到的策略使得agent能在一輪遊戲中玩得越來越久，一輪中的累積回報也就越來越大。
最後，是騾子是馬還是要出來溜溜才知道。下面腳本用於將訓練產生的ckpt load起來，然後運行atari環境，執行策略網絡產生的動作，並將過程渲染出來。參數爲ckpt文件路徑。
import gym
from gym import spaces
import multiprocessing
import joblib
import sys
import os
import numpy as np
import tensorflow as tf
from baselines.ppo2 import ppo2
from baselines.common.cmd_util import make_atari_env, atari_arg_parser
from baselines.common.atari_wrappers import make_atari, wrap_deepmind
from baselines.ppo2.policies import CnnPolicy
from baselines.common.vec_env.vec_frame_stack import VecFrameStack
def main(argv):
ncpu = multiprocessing.cpu_count()
config = tf.ConfigProto(allow_soft_placement=True,
intra_op_parallelism_threads=ncpu,
inter_op_parallelism_threads=ncpu)
config.gpu_options.allow_growth = True
sess = tf.Session(config=config)
env_id = "BreakoutNoFrameskip-v4"
seed = 0
nenvs = 1
nstack = 4
env = wrap_deepmind(make_atari(env_id))
ob_space = env.observation_space
ac_space = env.action_space
wos = env.observation_space
low = np.repeat(wos.low, nstack, axis=-1)
high = np.repeat(wos.high, nstack, axis=-1)
stackedobs = np.zeros((nenvs,)+low.shape, low.dtype)
observation_space = spaces.Box(low=low, high=high, dtype=env.observation_space.dtype)
vec_ob_space = observation_space
act_model = CnnPolicy(sess, vec_ob_space, ac_space, nenvs, 1, reuse=False)
with tf.variable_scope('model'):
params = tf.trainable_variables()
#load_path = '/tmp/openai-2018-05-27-15-06-16-102537/checkpoints/00030'
load_path = argv[0]
loaded_params = joblib.load(load_path)
restores = []
for p, loaded_p in zip(params, loaded_params):
restores.append(p.assign(loaded_p))
sess.run(restores)
print("model " + load_path + " loaded")
obs = env.reset()
done = False
for _ in range(1000):
env.render()
obs = np.expand_dims(obs, axis=0)
stackedobs = np.roll(stackedobs, shift=-1, axis=-1)
stackedobs[..., -obs.shape[-1]:] = obs
actions, values, states, neglogpacs = act_model.step(stackedobs)
print("%d, action=%d" % (_, actions[0]))
obs, reward, done, info = env.step(actions[0])
if done:
print("done")
obs = env.reset()
stackedobs.fill(0)
sess.close()
if __name__ == '__main__':
if (len(sys.argv)) != 2:
sys.exit("Usage: %s ckpt_path" % sys.argv[0])
if not os.path.exists(sys.argv[1]):
sys.exit("ckpt file %s not found" % sys.argv[1])
main(sys.argv[1:])可以看到當更新迭代500次時，算法已經能學習到一些遊戲的基本策略了，但仍不是很嫺熟。５條命基本在1000步內就會被幹光。
當更新迭代5000次後，學到的策略比500次時已經成熟很多了，5條命在1000步內基本夠用。
當更新迭代10000次後，基本已經玩得很溜了。試驗中1000步只損了一條命。
