强化学习快餐教程(1) - gym环境搭建
欲练强化学习神功，首先得找一个可以操练的场地。
两大巨头OpenAI和Google DeepMind都不约而同的以游戏做为平台，比如OpenAI的长处是DOTA2，而DeepMind是AlphaGo下围棋。
下面我们就从OpenAI为我们提供的gym为入口，开始强化学习之旅。
OpenAI gym平台安装
安装方法很简单，gym是python的一个包，通过pip安装即可。
例：
pip3 install gym --user
源代码的下载地址在：https://github.com/openai/gym
gym平台的目的就是提供一个供强化学习进行比较和交流的标准化平台。
第一个gym游戏：cart pole
cart pole是一个最简单的小游戏模型，它是一个一维的小车上竖起一根棍子，然后通过调整左右来保证棍子不倒。
我们先来一个随机输入的例子，大家先让这个小游戏跑起来：
import gym
env = gym.make('CartPole-v0')
env.reset()
for _ in range(1000):
env.render()
env.step(env.action_space.sample()) # take a random action
env.close()
通过运行可以看到，别说棍子不倒了，绕着圈带着小车不知道飞到哪里去了。
gym主要为我们提供了两种元素：环境和操作。
我们首先通过gym.make来生成cartpole的运行环境，然后reset给小车和棍子一个初始化的值。
最后，通过env.step将操作传给环境去控制小车。
操作
cartpole的操作非常简单，只有两种命令，用0和1表示。0是向左推小车，1是向右推小车。小车是处在一个光滑轨道上的，根据牛顿第一定律，在无外力时处于静止或匀速直线运动的状态。
刚才我们调用env.action_space.sample()，就是在0和1之间随机生成两种状态之一做为输入。
除了刚才的随机策略外，我们也可以采取交替的策略：
import gym
env = gym.make('CartPole-v0')
env.reset()
for _ in range(1000):
i = 0
env.render()
env.step( (i+1) % 2)
env.close()
获取环境信息
但是，有了操作之后是个开环的系统，我们需要通过从环境中读取信息来更好地决策。
其实，不管是reset还是step，环境都是会返回一系列值给我们的。
reset会返回一个状态信息给我们。而step会返回一个四元组，分别是状态信息，奖励信息，是否已经结束和附加信息。
我们进行一轮迭代，先判断下是否已经失败，如果已经倒了就结束游戏，然后统计一下我们活了几轮：
import gym
env = gym.make('CartPole-v0')
status = env.reset()
for step in range(1000):
i = 0
env.render()
status, reward, done, info = env.step( (i+1) % 2)
if done:
print('dead in %d steps' % step)
break
env.close()
下面我们再进一步，去读取一下状态信息。针对cartpole这个问题，状态信息还是一个4元组，分别是：
- 小车位置
- 小车速度
- 棍的倾斜角度
- 棍的角速度
在本游戏中，如果角度大于12度，或者小车位置超出了2.4，就意味着失败了，直接结束。
闭环控制
知道了反馈信息之后，我们就可以想办法进行闭环控制了。
比如我们只取位置参数，如果偏左了就向右推，反之亦然：
def action(status):
pos, v, ang, va = status
print(status)
if pos <= 0:
return 1
else:
return 0
完整代码如下：
import gym
def action(status):
pos, v, ang, va = status
print(status)
if pos <= 0:
return 1
else:
return 0
env = gym.make('CartPole-v0')
status = env.reset()
for step in range(1000):
i = 0
env.render()
status, reward, done, info = env.step(action(status))
if done:
print('dead in %d steps' % step)
break
env.close()
下面是我运行一次的结果：
[-0.01635101 0.00400916 -0.02452805 -0.01815461]
[-0.01627082 0.19947413 -0.02489114 -0.31847439]
[-0.01228134 0.39494158 -0.03126063 -0.61890199]
[-0.00438251 0.59048591 -0.04363867 -0.9212643 ]
[ 0.00742721 0.78616953 -0.06206395 -1.22733599]
[ 0.0231506 0.59189892 -0.08661067 -0.95472622]
[ 0.03498858 0.3980421 -0.1057052 -0.69046268]
[ 0.04294942 0.2045334 -0.11951445 -0.43283924]
[ 0.04704009 0.0112884 -0.12817124 -0.18009313]
[ 0.04726586 -0.18178868 -0.1317731 0.0695676 ]
[ 0.04363008 -0.37479942 -0.13038175 0.31794448]
[ 0.0361341 -0.56784668 -0.12402286 0.56683387]
[ 0.02477716 -0.76103061 -0.11268618 0.81801468]
[ 0.00955655 -0.95444458 -0.09632589 1.07323592]
[-0.00953234 -1.14817057 -0.07486117 1.33420176]
[-0.03249575 -0.9521891 -0.04817713 1.01906429]
[-0.05153954 -0.7564593 -0.02779585 0.71165164]
[-0.06666872 -0.5609637 -0.01356281 0.41035059]
[-0.077888 -0.36565212 -0.0053558 0.11342282]
[-0.08520104 -0.17045384 -0.00308735 -0.180945 ]
[-0.08861011 0.02471216 -0.00670625 -0.47460027]
[-0.08811587 0.21992817 -0.01619825 -0.76938932]
[-0.08371731 0.41526928 -0.03158604 -1.06712463]
[-0.07541192 0.61079456 -0.05292853 -1.36955102]
[-0.06319603 0.80653727 -0.08031955 -1.67830763]
[-0.04706529 1.0024934 -0.1138857 -1.99488277]
[-0.02701542 1.19860803 -0.15378336 -2.32055915]
[-0.00304326 1.39475935 -0.20019454 -2.65634816]
dead in 27 steps
角策略
上一种策略我们是根据车的位置来进行控制。我们还可以考虑根据角度来进行控制：
import gym
def action_a(status):
pos, v, ang, va = status
print(status)
if ang > 0:
return 1
else:
return 0
env = gym.make('CartPole-v0')
status = env.reset()
for step in range(1000):
i = 0
env.render()
status, reward, done, info = env.step(action_a(status))
if done:
print('dead in %d steps' % step)
break
env.close()
从一些次尝试来看，角策略比上一个位置策略要更优一些：
[ 0.00780229 -0.02463916 -0.01033269 -0.03445555]
[ 0.00730951 -0.21961142 -0.0110218 0.25494948]
[ 0.00291728 -0.41457429 -0.00592281 0.54413566]
[-0.00537421 -0.60961251 0.0049599 0.83494657]
[-0.01756646 -0.41455866 0.02165883 0.54382761]
[-0.02585763 -0.21974767 0.03253538 0.25804686]
[-0.03025258 -0.02510495 0.03769632 -0.02419899]
[-0.03075468 0.16945669 0.03721234 -0.30475403]
[-0.02736555 0.36402912 0.03111726 -0.58547272]
[-0.02008497 0.55870171 0.01940781 -0.86819324]
[-0.00891093 0.75355429 0.00204394 -1.15471154]
[ 0.00616015 0.94864953 -0.02105029 -1.44675287]
[ 0.02513314 0.75379272 -0.04998535 -1.16072073]
[ 0.040209 0.55935628 -0.07319976 -0.88411992]
[ 0.05139612 0.36530055 -0.09088216 -0.61531734]
[ 0.05870214 0.17155806 -0.10318851 -0.35258554]
[ 0.0621333 -0.02195676 -0.11024022 -0.09414094]
[ 0.06169416 -0.21534017 -0.11212304 0.16182831]
[ 0.05738736 -0.40869329 -0.10888647 0.41714169]
[ 0.04921349 -0.60211728 -0.10054364 0.67361 ]
[ 0.03717115 -0.7957087 -0.08707144 0.93302056]
[ 0.02125697 -0.98955482 -0.06841103 1.19712154]
[ 1.46587604e-03 -1.18372790e+00 -4.44685947e-02 1.46760271e+00]
[-0.02220868 -1.37827822 -0.01511654 1.74607025]
[-0.04977425 -1.57322512 0.01980486 2.03401309]
[-0.08123875 -1.37831278 0.06048513 1.74752417]
[-0.108805 -1.18392804 0.09543561 1.47425204]
[-0.13248357 -0.99009321 0.12492065 1.21283837]
[-0.15228543 -0.796785 0.14917742 0.96176679]
[-0.16822113 -0.60394842 0.16841275 0.71942016]
[-0.1803001 -0.41150733 0.18280116 0.48412211]
[-0.18853024 -0.21937201 0.1924836 0.25416579]
[-0.19291768 -0.02744473 0.19756691 0.02783298]
[-0.19346658 0.16437637 0.19812357 -0.19659389]
[-0.19017905 0.35619437 0.1941917 -0.42082427]
[-0.18305516 0.54811122 0.18577521 -0.64655444]
[-0.17209294 0.74022551 0.17284412 -0.87546311]
[-0.15728843 0.93262987 0.15533486 -1.10920578]
[-0.13863583 1.12540784 0.13315074 -1.34940608]
[-0.11612768 1.31862936 0.10616262 -1.59764218]
[-0.08975509 1.51234492 0.07420978 -1.85542638]
[-0.05950819 1.70657739 0.03710125 -2.12417555]
[-0.02537664 1.90131142 -0.00538226 -2.40517032]
[ 0.01264959 1.7062367 -0.05348567 -2.11414485]
[ 0.04677432 1.51168791 -0.09576856 -1.83845627]
[ 0.07700808 1.31774548 -0.13253769 -1.57698862]
[ 0.10336299 1.12442853 -0.16407746 -1.32840846]
[ 0.12585156 0.9317127 -0.19064563 -1.09123975]
dead in 47 steps