Day 28：從直覺的角度初探強化學習

第 12 屆 iThome 鐵人賽

DAY 28

AI & Data

輕鬆掌握 Keras 及相關應用系列第 28 篇

12th鐵人賽 ai machine learning tensorflow

I code so I am

2020-09-28 17:24:09

4825 瀏覽

分享至

前言

2016年AI圍棋軟體AlphaGo連續擊敗韓國及中國等世界頂尖的好手，使得它背後的演算法 -- 強化學習(Reinforcement Learning)一炮而紅，發明AlphaGo的英國公司 DeepMind 也同時成為強化學習研發的龍頭，在此同時也出現了一位台灣之光 -- 黃士傑，因為他在每一次戰役中都擔任 AlphaGo 的代理人。

強化學習以 Try and Error 的方式，透過不斷的嘗試與學習，累積經驗，修正行動策略，在訓練成功後可以依情勢選擇較佳的行動決策。所以，它不只能下棋，也能應用到玩遊戲、機器人行走/揀貨/焊接、自動駕駛、醫療手術、股票投資...等方面，但是到目前為止，DeepMind 的發展還是集中在電腦遊戲的攻略上面，距離全面的開花結果，還待時間的考驗。

距離比賽要求還剩下三篇，我們就集中火力，針對強化學習一探究竟，了解其運作原理及相關程式的撰寫。

強化學習機制

強化學習機制如下圖，非常簡單：

代理人(Agent)：也就是遊戲中的玩家(Player)，他主要與環境互動，根據當時的狀態(State)以及之前得到的獎勵或懲罰，決定下一步的行動。
環境(Environment)：會根據代理人的行動(Action)，給予立即的獎勵或懲罰，統稱為獎勵(Reward)。
狀態(State)：也稱為觀察(Observation)，有時候代理人只能觀察到局部的狀態，例如，樸克牌遊戲21點(Black Jack)，莊家有一張牌是蓋住的，玩家是看不到。

圖一. 強化學習機制

總而言之，強化學習的目的，就是經由代理人不斷的學習，累積經驗，找到最佳行動策略，在真正派上用場時，能將學習到的最佳策略應用到實戰上。

簡單的強化學習架構

透過上面機制的描述，我們可以制定程式架構如下圖：

圖二. 強化學習程式架構

採取物件導向設計(OOP)，總共有兩個類別，其職責(方法)如下：

環境(Environment)：類似遊戲本身。

Init (初始化)：需定義狀態空間(State Space)、獎勵(Reward)辦法、行動空間(Action Space)、狀態轉換(State Transition definition)。
Reset (重置)：回合(Episode)結束時，需重新開始，重置所有變數。
Step (步驟)：代理人行動後，會驅動下一步，環境會更新狀態，給予獎勵，並判斷回合是否結束及勝負。
Render (渲染)：更新畫面顯示。

代理人(Agent)：類似玩家。

Act (行動)：代理人依據既定的策略以及面臨的狀態，採取行動，例如上、下、左、右。
通常我們要訂定特定策略，就繼承基礎的代理人類別(base agent class)，在衍生的類別中，撰寫策略邏輯。

最後撰寫成一個類別或一段程式，稱之為【實驗】(Experiment)，用來建立環境、代理人兩個物件，讓系統動起來。

就上面設計規格，撰寫程式測試看看。

實作

載入套件。

import random

定義環境類別。

class Environment:
    # 初始化
    def __init__(self):
        # 最多走10步
        self.steps_left = 10

    def get_observation(self):
        # 狀態空間(State Space)
        return [0.0, 1.0, 2.0]

    def get_actions(self):
        # 行動空間(Action Space)
        return [0, 1]

    def is_done(self):
        # 回合(Episode)是否結束
        return self.steps_left == 0

    # 步驟
    def step(self, action):
        # 回合(Episode)結束
        if self.is_done():
            raise Exception("Game is over")
            
        # 減少1步
        self.steps_left -= 1
        
        # 隨機策略，任意行動，並給予獎勵(亂數值)
        return random.choice(self.get_observation()), random.random()

定義代理人類別。

class Agent:
    # 初始化
    def __init__(self):
        pass
        
    def action(self, env):
        # 觀察或是取得狀態
        current_obs = env.get_observation()
        # 採取行動
        actions = env.get_actions()
        return random.choice(actions)

進行實驗。

if __name__ == "__main__":
    # 實驗
    # 建立環境、代理人物件
    env = Environment()
    agent = Agent()

    # 累計報酬
    total_reward=0
    while not env.is_done():
        # 採取行動
        action = agent.action(env)
        
        # 進到下一步
        state, reward = env.step(action)
        
        # 報酬累計
        #print(reward)
        total_reward += reward
    
    # 顯示累計報酬
    print(f"累計報酬: {total_reward:.4f}")

以上程式碼存檔為 28_01_agent_env.py，執行下列指令，實驗結果如下：
python 28_01_agent_env.py

使用 OpenAI Gym 套件

為了讓強化學習開發者更容易入門，OpenAI公司開發了Gym 套件，提供一個標準架構，並實現許多個遊戲，讓大家可以盡情開發各種策略，進行實驗及演算法的開發。

Gym 套件安裝很簡單，執行下列指令即可：
pip install gym
但以上指令只會安裝簡單的文字遊戲(toy text)及傳統遊戲(classic control)，如果要安裝全部遊戲，可執行下列指令，但是 Windows 環境下安裝會有錯誤，可以參考【How to Install OpenAI Gym in a Windows Environment】試試看，我照表操作是失敗的。
pip install gym[all]
Gym 官網如下：https://gym.openai.com/
Gym 官網沒有列出現成的遊戲名稱，只能參考【GitHub網站】，每個目錄代表一個類別，目錄內的每個檔案是一個遊戲。
使用說明在【這裡】，並沒有列出每一個遊戲的規則，只能直接查看原始程式碼。

實作台車(Cartpole)遊戲

台車(Cartpole)是 Gym 套件內的一個遊戲，分兩個版本，CartPole-v0 規則如下：

行動只有往左、往右兩種。
平衡桿一開始是直立(upright)，要保持它在行駛中仍然保持平衡。
下列條件會使遊戲回合結束：

平衡桿角度偏差12度。
台車距離中心點 2.4 單位。
行動超過200步 (CartPole-v1 為 500步)。

每走一步得1分。
訓練成功的條件：連續100回合平均得分>=195分 (CartPole-v1 為 >= 475分)。

Gym 程式架構與上述簡單架構相似，只是不必實作環境(Environment)，即遊戲與規則，因為Gym都幫我們搞定了。以下採取隨機策略，實作台車(Cartpole)遊戲，程式碼如下：

載入套件。

import gym
import pandas as pd

載入遊戲。

env = gym.make("CartPole-v0")

初始化遊戲。

total_rewards = 0.0
total_steps = 0
obs = env.reset()

進行實驗：玩50回合。

no = 50
all_steps=[]
all_rewards=[]
while True:
    # 隨機行動
    action = env.action_space.sample()
    # 進入下一步
    obs, reward, done, _ = env.step(action)
    # 渲染
    env.render()
    
    # 累計報酬
    total_rewards += reward
    # 累計步驟總數
    total_steps += 1
    if done:
        # 重置
        env.reset()
        
        all_rewards.append(total_rewards)
        all_steps.append(total_steps)
        total_rewards = 0
        total_steps=0
        no-=1
        if no == 0:
            break

結束遊戲。

env.close()

以上程式碼存檔為 28_02_cartpole_random.py，執行下列指令，實驗結果如下：
python 28_02_cartpole_random.py

沒有贏半個回合，真慘。可以參考【這裡】的程式，執行看看，會顯示在第幾回合，它贏得比賽。

結論

筆者嘗試以不一樣的切入點介紹【強化學習】(Reinforcement Learning)，希望能降低初學者進入的門檻，如果要照正規的路徑學習，可參考強化學習的聖經【Reinforcement Learning: An Introduction】，全書共548頁，只含基礎理論，要涉獵較新的演算法，需另外覓食。

本篇範例包括 28_01_agent_env.py、28_02_cartpole_random.py，可自【這裡】下載，程式需要渲染畫面，Jupyter Notebook 無法顯示，故直接使用 Python 檔。