强化学习之OpenAI Gym环境

OpenAI Gym 是一个最广泛使用的强化学习实验环境，内置上百种实验环境，比如一些简单几何体的运动，一些用文本表示的简单游戏，或者机械臂的抓取和控制等实验环境。

安装Gym后，一般的使用流程是：

1. 加载 gym 库：

import gym

2. 进入指定的实验环境：

env = gym.make('Taxi-v2')  //
env = gym.make('CartPole-v0')  //cartpole游戏

3. 渲染环境，即可视化看看环境的样子：

env.render()

其中 env 是 gym 的核心接口，有几个常用的方法也是实验中通用的：

1. env.reset， 重置环境，返回一个随机的初始状态。

2. env.step(action)，将选择的action输入给env，env 按照这个动作走一步进入下一个状态，所以它的返回值有四个：

observation,reward,done,info=env.step(action)

observation：进入的新状态

reward：采取这个行动得到的奖励

done：当前游戏是否结束

info：其他一些信息，如性能表现，延迟等等，可用于调优

3. env.render，这个前面说过可以可视化展示环境

注意到，在 state1-action-state2 这个过程中，action 是需要我们决定的，通常会通过 greedy search 和 q learning 等算法选择，而 state1，state2 就可以用 env 自动获取。