本文分享自華爲雲社區《MindSpore強化學習：使用PPO配合環境HalfCheetah-v2進行訓練》，作者： irrational。
半獵豹（Half Cheetah）是一個基於MuJoCo的強化學習環境，由P. Wawrzyński在“A Cat-Like Robot Real-Time Learning to Run”中提出。這個環境中的半獵豹是一個由9個鏈接和8個關節組成的2D機器人（包括兩個爪子）。在這個環境中，目標是通過施加扭矩在關節上使獵豹儘可能快地向前（向右）奔跑，正向獎勵基於前進的距離，而向後移動則會得到負向獎勵。獵豹的軀幹和頭部是固定的，扭矩只能施加在前後大腿、小腿和腳上。
動作空間是一個Box(-1, 1, (6,), float32)，其中每個動作代表鏈接之間的扭矩。觀察空間包含獵豹不同身體部位的位置值和速度值，其中所有位置值在前，所有速度值在後。默認情況下，觀察不包括獵豹質心x座標，可以通過在構建時傳遞exclude_current_positions_from_observation=False來包括它。如果包括，觀察空間將有18個維度，其中第一個維度代表獵豹質心的x座標。
獎勵分爲兩部分：向前獎勵和控制成本。向前獎勵是根據動作前後x座標的變化計算的，控制成本是爲了懲罰獵豹採取過大動作的成本。總獎勵是向前獎勵減去控制成本。
每個狀態的開始是在狀態(0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0,)上添加噪聲以增加隨機性。前8個值是位置值，最後9個值是速度值。位置值添加均勻噪聲，而初始速度值（全爲零）添加標準正態噪聲。
當一個劇集的長度超過1000時，該劇集將被截斷。
該環境的詳細信息可以參考：https://www.gymlibrary.dev/environments/mujoco/half_cheetah/
這個比很多環境都要複雜。
不過沒關係，我們有ppo算法，這個算法可以跑強化學習，甚至大語言模型。
PPO（Proximal Policy Optimization）算法是一種用於強化學習的策略優化方法，它旨在解決傳統策略梯度方法（如TRPO，Trust Region Policy Optimization）中的信任區域問題
PPO算法通過引入clipping技巧和重要性採樣技巧來減少計算梯度時的方差，從而提高算法的收斂速度和穩定性。
在PPO算法中，有兩個關鍵概念：
- 策略（Policy）：策略是一個函數，它定義了在給定狀態s時採取動作a的概率分佈。
- 價值函數（Value Function）：價值函數估計了在給定策略下，從狀態s出發，到達某個特定狀態或終端時所能獲得的期望回報。
PPO算法的主要步驟包括：
- 採樣（Sampling）：從當前策略中採樣數據，包括狀態、動作、獎勵和下一個狀態。
- 計算目標（Calculating Targets）：使用目標策略計算目標價值函數，並計算目標策略的KL散度。
- 更新策略（Updating Policy）：使用重要性採樣技巧和clipping技巧更新策略。
- 更新價值函數（Updating Value Function）：使用策略梯度方法更新價值函數。
PPO算法的核心思想是交替更新策略和價值函數，以實現策略和價值的共同優化。這種方法可以有效減少計算梯度時的方差，提高算法的收斂速度和穩定性。
以下是PPO算法的一個簡化的Markdown公式：
# Proximal Policy Optimization (PPO) Algorithm ## 1. Sampling 採樣當前策略的數據，包括狀態 $ s $、動作 $ a $、獎勵 $ r $ 和下一個狀態 $ s' $。 ## 2. Calculating Targets 使用目標策略計算目標價值函數，並計算目標策略的KL散度。 ## 3. Updating Policy 使用重要性採樣技巧和clipping技巧更新策略。 ## 4. Updating Value Function 使用策略梯度方法更新價值函數。 ## 重複步驟1-4，實現策略和價值的共同優化。
這個公式是一個簡化的版本，實際上PPO算法還包括了許多其他細節和技巧，如經驗回放、動態調整學習率等。
import argparse
import os
from mindspore import context
from mindspore import dtype as mstype
from mindspore.communication import get_rank, init
import mindspore_rl.distribution.distribution_policies as DP
from mindspore_rl.algorithm.ppo import config
from mindspore_rl.algorithm.ppo.ppo_session import PPOSession
from mindspore_rl.algorithm.ppo.ppo_trainer import PPOTrainer
parser = argparse.ArgumentParser(description="MindSpore Reinforcement PPO")
parser.add_argument("--episode", type=int, default=650, help="total episode numbers.")
parser.add_argument(
"--device_target",
type=str,
default="Auto",
choices=["Ascend", "CPU", "GPU", "Auto"],
help="Choose a device to run the ppo example(Default: Auto).",
)
parser.add_argument(
"--precision_mode",
type=str,
default="fp32",
choices=["fp32", "fp16"],
help="Precision mode",
)
parser.add_argument(
"--env_yaml",
type=str,
default="../env_yaml/HalfCheetah-v2.yaml",
help="Choose an environment yaml to update the ppo example(Default: HalfCheetah-v2.yaml).",
)
parser.add_argument(
"--algo_yaml",
type=str,
default=None,
help="Choose an algo yaml to update the ppo example(Default: None).",
)
parser.add_argument(
"--enable_distribute",
type=bool,
default=False,
help="Train in distribute mode (Default: False).",
)
parser.add_argument(
"--worker_num", type=int, default=2, help="Worker num (Default: 2)."
)
parser.add_argument(
"--graph_op_run", type=int, default=1, help="Run kernel by kernel (Default: 1)."
)
options, _ = parser.parse_known_args()`
wget https://www.roboti.us/download/mujoco200_linux.zip mv mujoco200_linux ~/.mujoco/mujoco200 wget https://www.roboti.us/file/mjkey.txt cp mjkey.txt /home/kewei/.mujoco/mjkey.txt wget https://download-ib01.fedoraproject.org/pub/epel/7/x86_64/Packages/p/patchelf-0.12-1.el7.x86_64.rpm yum localinstall patchelf-0.12-1.el7.x86_64.rpm pip install 'mujoco_py==2.0.2.13'
第一次編譯mujoco會有一點久
在bashrc加入如下內容：
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:~/.mujoco/mujoco200/bin
export MUJOCO_KEY_PATH=~/.mujoco${MUJOCO_KEY_PATH}
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/home/kewei/.mujoco/mujoco210/bin
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/lib/nvidia
然後就可以開啓訓練了。使用上一節的with保留輸入。
# dqn_session.run(class_type=DQNTrainer, episode=episode)
with RealTimeCaptureAndDisplayOutput() as captured_new:
ppo_session.run(class_type=PPOTrainer, episode=episode, duration=duration)