手把手带撸Junior AlphaGo算法「AI工程论」

关注：决策智能与机器学习，深耕AI脱水干货

作者 | 长风

来源 |  机器学习与数据挖掘实践

强化学习任务通常使用马尔可夫决策过程（Markov Decision Process，简称MDP）来描述，包含五大关键要素：agent（智能体），reward（奖励），action（行为），state（状态），environment（环境）。具体而言：agent处在一个环境中，每个状态为机器对当前环境的感知；agent只能通过动作来影响环境，当agent执行一个动作后，会使得环境按某种概率转移到另一个状态；同时，环境会根据潜在的奖赏函数反馈给机器一个奖赏。

1. 强化学习简介

agent：主要涉及到：策略（Policy），价值函数（Value Function）和模型（Model）。Policy，可以理解为行动指南，让agent执行什么动作，在数学上可以理解为从状态state到动作action的映射，可分为确定性策略（Deterministic policy）和随机性策略（Stochastic policy），前者是指在某特定状态下执行某个特定动作，后者是根据概率来执行某个动作。Value Function，对未来总Reward的一个预测。Model，一个对环境的认知框架，可以预测采取动作后的下一个状态是什么，很多情况下是没有模型的，agent只能通过与环境互动来提升策略。

state：可以细分为三种，Environment State，Agent State和Information State。Environment State是agent所处环境包含的信息，简单理解就是很多特征数据，也包含了无用的数据。Agent State是输入给agent的信息，也就是特征数据。Information State是一个概念，即当前状态包含了对未来预测所需要的有用信息，过去信息对未来预测不重要，该状态就满足马尔科夫性（Markov Property）。Environment State，Agent State都可以是Markov Property。

environment：可以分为完全可观测环境（Fully Observable Environment）和部分可观测环境（Partially Observable Environment）。Fully Observable Environment就是agent了解了整个环境，显然是一个理想情况。Partially Observable Environment是agent了解部分环境的情况，剩下的需要靠agent去探索。

2.项目框架和简介

AlphaGo 将AI和围棋强势的摆到大众面前，围棋作为人类的娱乐游戏中复杂度最高的一个，它横竖各有 19 条线，共有 361 个落子点，状态空间高达 10^171，对于新手和强化学习入门不是特友好，而五子棋是博弈游戏当中较简单的一种玩法，规则、赢法都很简单，故此项目初期先对五子棋进行实现，根据进展，后期再逐渐深入。

该项目涉及到的知识主要是强化学习，随着项目进行，我们需要并行的解决相关理论知识：1.强化学习的主要挑战是什么？2.如何用数学术语表示强化学习？3.如何制定长期策略？4.如何估计未来的报酬？5.如何解决状态空间太大的问题？6.如何让强化学习稳定发挥作用？同时阅读 Key Papers in Deep RL

1. Model-Free RL

2.  Exploration

3. Transfer and Multitask RL

4. Hierarchy

5. Memory

6. Model-Based RL

7. Meta-RL

8. Scaling RL

9. RL in the Real World

10. Safety

11. Imitation Learning and Inverse Reinforcement Learning

12. Reproducibility, Analysis, and Critique

13. Bonus: Classic Papers in RL Theory or Review

项目框架

• Env: 利用PyQt5编写界面，对棋盘环境进行进行封装

• Agent: 处理与环境的交互，并保存历史转移状态等信息

• Model: 实现不同的policy，来实现具体的一步下法

具体目录结构如下所示：

3. 功能实现框架

3.1 Environment可视化

Junior AlphaGo实现的棋盘可视化如上图所示，主要利用PyQt5实现以下功能：棋盘初始化，鼠标移动监听，agent调用，落子画图，胜负判断。

class GoBang(QWidget):


    def __init__(self):
        super().__init__()
        self.init_ui()


    def init_ui(self):
        self.chessboard = ChessState()  # 棋盘类


        palette1 = QPalette()  # 设置棋盘背景
        palette1.setBrush(self.backgroundRole(), QtGui.QBrush(
            QtGui.QPixmap('img/chessboard.jpg')))
        self.setPalette(palette1)
        self.setCursor(Qt.PointingHandCursor)  # 鼠标变成手指形状


        self.resize(WIDTH, HEIGHT)  # 固定大小 540*540
        self.setMinimumSize(QtCore.QSize(WIDTH, HEIGHT))
        self.setMaximumSize(QtCore.QSize(WIDTH, HEIGHT))


        self.setWindowTitle("Junior-AlphaGo")  # 窗口名称
        self.setWindowIcon(QIcon('img/black.png'))  # 窗口图标


        self.black = QPixmap('img/black.png')
        self.white = QPixmap('img/white.png')


        self.turn = Color.BLACK
        self.pre_x, self.pre_y = 1, 1000


        self.mouse_point = LaBel(self)  # 将鼠标图片改为棋子
        self.mouse_point.setScaledContents(True)
        tmp = self.black if HUMAN_FIRST else self.white
        self.mouse_point.setPixmap(tmp)  # 加载黑棋
        self.mouse_point.setGeometry(270, 270, PIECE, PIECE)
        self.pieces = [LaBel(self) for i in range(225)]  # 新建棋子标签，准备在棋盘上绘制棋子
        for piece in self.pieces:
            piece.setVisible(True)  # 图片可视
            piece.setScaledContents(True)  # 图片大小根据标签大小可变


        self.mouse_point.raise_()  # 鼠标始终在最上层
        self.ai_down = True  # AI已下棋，主要是为了加锁，当值是False的时候说明AI正在思考，这时候玩家鼠标点击失效，要忽略掉 mousePressEvent


        self.setMouseTracking(True)
        self.show()
        if not HUMAN_FIRST:
            self.call_ai()

3.2 agent 和 Environment交互

上文中的启动界面的线程暂称为UI线程，界面执行命令时都在自己的UI线程中。如果我们在UI线程中执行比较复杂的操作（网络计算，大计算量），如果在UI线程中执行网络连接和数据库操作等耗时的操作，界面会被卡住，Windows下有可能会出现“无响应”的警告。阻塞UI线程会降低用户体验和应用稳定性。因此我们可以把agent的计算操作放在线程中去执行，继承PyQt中的线程类 

QtCore.QThread ，我们可以复写run函数来执行我们要的操作。

QThread可以使用 QtCore.pyqtSignal 来与environment交互和传输数据，将当前的棋盘信息（state）传入，然后将当前策略计算的结果(在哪个点位落子)返回，并在环境中画出。

class AI(QtCore.QThread):
"""定义线程类执行AI的算法
    """
    finishSignal = QtCore.pyqtSignal(int, int)


def __init__(self, state, role, parent=None):
        super(AI, self).__init__(parent)
        self.agent = NaiveAgent(15, 15, role)
#self.agent = SarsaAgent(15, 15, role, False, 'model/sarsa_default_2019-11-21_17:54:09.ckpt-226184')
        self.x, self.y, _ = self.agent.interact(None, state, False, True)


def run(self):
        self.finishSignal.emit(self.x, self.y)

3.3 agent 和 用户相互落子

def mousePressEvent(self, e):  # 玩家下棋
if e.button() == Qt.LeftButton and self.ai_down:
            x, y = e.x(), e.y()  # 鼠标坐标
            i, j = self.pixel2coordinate(x, y)  # 对应棋盘坐标
if i is not None and j is not None:  # 棋子落在棋盘上，排除边缘
if self.chessboard._state[i][j] == Color.EMPTY:  # 棋子落在空白处
if self.draw(i, j):
self.call_ai()

4. 总结

本文完成agent框架和environment的实现，并将environment可视化，后续强化学习的相关算法只需要在agent进行迭代即OK。

交流合作

请加微信号：yan_kylin_phenix，注明姓名+单位+从业方向+地点，非诚勿扰。