用飞桨深度强化学习框架PARL来深度强化学习《明日方舟》

时间：2021-04-21 14:09:17 作者： MM

每个游戏玩家都有一个梦，希望自己在虚拟世界中成为万众瞩目、无所不能的英雄。然后…然后…闹钟响了梦醒了，又到了挤地铁上班的时间。

不过，在这个项目中，我将带大家暂时忘却现实的烦恼，用飞桨深度强化学习框架PARL来实现这个“英雄梦”!先放效果图：

知识回顾

大家是不是迫不及待了呢？且慢，要实现《明日方舟》游戏的深度强化学习，还是先让我带大家回顾一下深度强化学习算法历史。DQN是深度强化学习算法开山之作，在经典街机游戏上取得了非常好的效果。它使用了ReplyMemory来存储和回放经验，这是Off-policy类型算法的常用技巧。但是，DQN在应对手机游戏时，能力就不够看了。于是我把目光投向了更为强大的算法---?A3C。

A3C算法与DQN不同，它设计了异步多线程的Actor-Critic，每个Agent在自己的线程中运行，然后全局共享学习到的网络参数。这样，每时每刻都能有大量的交互数据，并且这些多线程采集到的数据没有关联性(关联性问题：请参考DDQN算法原理)。因此，A3C算法通过“异步多线程+共享全局参数”达到了和ReplyMemory类似的效果。而且，它既有大量数据可以解决训练过程不稳定问题，同时又解决了参数关联性的问题。

在经典算法PG中，我们的Agent又被称为Actor，Actor对于一个特定的任务，都有自己的一个策略π。策略π通常用一个神经网络表示，其参数为θ。从一个特定的状态State出发，一直到任务的结束，被称为一个完整的Episode。在每一步，我们都能获得一个奖励r，一个完整的任务所获得的最终奖励被称为R。

如果我们用Q函数来预估未来的累积奖励，同时创建一个Critic网络来计算Q函数值，那么我们就得到了Actor-Critic方法。

Q函数在A3C里的主要作用是增加一个基线，使得反馈有正有负，这里的基线通常用状态价值函数V来表示。但是，当我们应用这样的方法，则需要同时计算Q函数和V函数，这并不容易。Q函数可以用“Step?t+1的V函数”加上“从Step?t到Step?t+1的r”来代替。这样，我们就可以得到用V来表示的Q值计算，我们一般称为Advantage(优势函数)，此时的Critic网络变为计算优势函数A的网络。

A3C是Asynchronous?Advantage?Actor-Critic的缩写，中文翻译为异步的优势动作评价算法。其中，Advantage就是指优势函数A。因此，从名字这里我们可以解读出来A3C实质就是求解πθ网络和Aπ(s,?a)网络。

在A3C算法论文中，论文作者对比了四种算法——异步Sarsa、异步Q-Learning、DQN和A3C。论文发表后，各路算法大神验证一个问题——是异步更新让算法表现优于其他算法？。结果非常有趣：多线程是A3C算法快的原因，但是”异步更新“反而是它的缺点。于是，科学家提出同步更新算法A2C(Advantage?Actor-Critic)，让它可以更有效利用CPU资源。

PS：算法大神照样被打脸，啪啪啪!

在下面部分，我会先对PARL库内置的A2C算法进行简单解读，这样大家在看项目实践部分时，就能少阅读一些代码。

Learner

这个类有意思的地方是，PARL库用了A3C的名字。原因是A2C和A3C是同源算法。它们实现上的主要区别是step函数(后面会讲到)。

env?=?gym.make(config[?'env_name'])

env?=?wrap_deepmind(env,?dim=config[?'env_dim'],?obs_format=?'NCHW')

obs_shape?=?env.observation_space.shape

act_dim?=?env.action_space.n

self.config[?'obs_shape']?=?obs_shape

self.config[?'act_dim']?=?act_dim

model?=?AtariModel(act_dim)

algorithm?=?parl.algorithms.A3C(

model,?vf_loss_coeff=config[?'vf_loss_coeff'])

self.agent?=?AtariAgent(algorithm,?config)

create_actors

这段代码有意思的地方是，它把自己连接到了XPARL集群，然后去执行run_remote_sample。阅读过DQN源码的同学应该很好理解，它的意思就是在独立进程运行“取样”。

defcreate_actors(self):

#?先把自己连接到XPARL集群上去

parl.connect(self.config[?'master_address'])

fori?insix.moves.range(self.config[?'actor_num']):

...

remote_thread?=?threading.Thread(

#?在工作线程中运行run_remote_sample函数

#?通过params_queue传递模型的参数

target=self.run_remote_sample,?args=(params_queue,?))

remote_thread.setDaemon(?True)

remote_thread.start

...

step函数

step函数是A2C算法中最重要、独特的函数，作用是同步等待更新操作。因为A2C算法会同步等待所有Agent(Actor)完成一轮训练后，把π网络的参数θ同步上来，更新全局的π网络参数。

Actor函数

注解@parl.remote_class表明Actor类是在独立的本机进程中执行(因为A2C是利用本机多CPU)。通过两行命令部署了PARL分布式集群，Actor实际是在远程server中运行了。

注意，Actor的init方法中保存了env数组，用同样的参数实例化了模型，用同样的模型实例化了算法并作为参数传入到了Agent中。

@parl.remote_class

classActor(object):

def__init__(self,?config):

...

#?Actor保存了env数组

self.envs?=?[]

for_?inrange(config[?'env_num']):

env?=?gym.make(config[?'env_name'])

env?=?wrap_deepmind(env,?dim=config[?'env_dim'],?obs_format=?'NCHW')

self.envs.append(env)

...

model?=?AtariModel(act_dim)

algorithm?=?parl.algorithms.A3C(

model,?vf_loss_coeff=config[?'vf_loss_coeff'])

self.agent?=?AtariAgent(algorithm,?config)

大家还要关注的点是，每个Actor对应一个Agent。

sample函数

Actor中的sample函数会调用Agent的sample函数和Agent的value函数来分别更新本地的π网络和v网络，最终返回sample_data给中心节点。

...

actions_batch,?values_batch?=?self.agent.sample(np.stack(self.obs_batch))

...

next_value?=?self.agent.value(next_obs)

...

sample_data的数据结构：

sample_data[?'obs'].extend(env_sample_data[env_id][?'obs'])

sample_data[?'actions'].extend(env_sample_data[env_id][?'actions'])

sample_data[?'advantages'].extend(advantages)

sample_data[?'target_values'].extend(target_values)

其中，优势函数的的计算如下：

#?gae：generalized?advantage?estimator

advantages?=?calc_gae(rewards,?values,?next_value,

self.config[?'gamma'],

self.config[?'lambda'])

target_values?=?advantages?+?values

VectorEnv函数

这个类是PARL对env环境的封装。我们的模拟真机环境，也采用了同样的定义，主要是为了同时跑多个环境，增加并行计算的效率，如下所示：

classVectorEnv(object):

def__init__(self,?envs):

defreset(self):

...

defstep(self,?actions):

#?env需要实现step方法

obs,?reward,?done,?info?=?self.envs[env_id].step(actions[env_id])

...

ifdone:

#?env需要实现reset方法

obs?=?self.envs[env_id].reset

...

returnobs_batch,?reward_batch,?done_batch,?info_batch

模拟器的源数据是由此类中的step方法批量返回。

实战编程

1.游戏模拟器编写&训练

新建《明日方舟》模拟器项目：

ArKnight_A2C_Simulator

因为《明日方舟》是手机网络游戏，数据生产速度实在太慢了!!!为了提高训练速度，需要自己开发模拟器。用模拟器后速度可提升50-100倍。

修改Learner的初始化方法：

#===========?Create?Agent?==========

game?=?ArKnights

env?=?PMGE(game)

obs_shape?=?(?3,?108,?192)

act_dim?=?650

定义新的env.py：

classPMGE(object):

def__init__(self,?game):

self.game?=?game

defstep(self,?action):

#?模拟器简化了状态判断

#?实际项目应该实时生成：当前屏幕-->?stateCode?的关系

s1?=?[?self.game.stateCode?]

#?产生状态变化

self.game.act(action,?s1)

reward?=?self.game.getScore(s1)

isOver?=?self.game.gameOver

next_obs?=?self.game.render

#?为了匹配标准的API

returnnext_obs,?reward,?isOver,?0

defreset(self):

returnself.game.reset

修改Actor：

classActor(object):

def__init__(self,?config):

self.config?=?config

self.envs?=?[]

for_?inrange(config[?'env_num']):

game?=?ArKnights

env?=?PMGE(game)

self.envs.append(env)

self.vector_env?=?VectorEnv(self.envs)

self.obs_batch?=?self.vector_env.reset

model?=?Model(config[?'act_dim'])

algorithm?=?parl.algorithms.A3C(

model,?vf_loss_coeff=config[?'vf_loss_coeff'])

self.agent?=?Agent(algorithm,?config)

定义训练用的模拟环境：

classArKnights(object):

def__init__(self):

"""

游戏《明日方舟》智能体定义

"""

self.stateCode?=?990

#?1920x1080?-----?1920/80?x?1080/40?=?24x27

self.tap_dim?=?24*?27

self.swipe_dim?=?4#?上下左右

defrender(self):

imgDir?=?IMAGE_DIR?+?str(self.stateCode)?+?'/'

filenames?=?os.listdir(imgDir)

#?在stateCode目录下随机取一张图片

filename?=?random.choice(filenames)

returnself.transform_img(imgDir?+?filename)

defact(self,?action,?stateCode):

ifstateCode[?0]?==?990:

ifaction?in[?442,?443,?444,?445,?466,?467,?468,?469]:

self.stateCode?=?970

ifstateCode[?0]?==?970:

ifaction?in[?111,?112,?113,?114,?115,

135,?136,?137,?138,?139,

159,?160,?161,?162,?163,

183,?184,?185,?186,?187,

207,?208,?209,?210,?211]:

self.stateCode?=?965

defgetScore(self,?s1):

#?状态没变扣一分

ifs1[?0]?==?self.stateCode:

return-1

return1

defgameOver(self):

code?=?self.stateCode

#?if?(code?==?910?or?code?==?1010):

#?for?debug?让算法快速收敛

if(code?==?965):

returnTrue

returnFalse

defreset(self):

self.stateCode?=?990

imgDir?=?IMAGE_DIR?+?str(self.stateCode)?+?'/'

filenames?=?os.listdir(imgDir)

#?在990目录下随机取一张图片

filename?=?random.choice(filenames)

returnself.transform_img(imgDir?+?filename)

deftransform_img(self,?filepath):

#?直接读取?(h,w)

img?=?cv2.imread(filepath,?cv2.IMREAD_COLOR)

#?将图片尺寸缩放道?(image,?(w,h))?192x108

img?=?cv2.resize(img,?(?192,?108))

#?因为cv2的数组长宽是反的，所以用numpy转置一下?(C,H,W)

img?=?np.transpose(img,?(?2,?0,?1))

obs?=?img.astype(?'float32')

returnobs

在模拟器中经过大约10万个steps，模型的loss就收敛了。

2.编写状态推理引擎

新建项目ARKNIGHT_CLASSIFY，使用残差神经网络对《明日方舟》中的主要游戏界面做了预定义。利用这个引擎，在真机部署的时候可以推断出当前游戏的state，用于计算reward和game?over这两个重要参数。

3.评估强化学习模型

在深度强化学习中，效果评估非常重要，因为我们要知道算法从数据中学到了什么？

我们在第一步中得到了模型，在第二步中得到了真机环境下的reward和game?over函数。

那么我们就要在真机环境中去测试。

deftest:

game?=?ArKnights

env?=?PMGE(game)

obs_shape?=?(?3,?108,?192)

act_dim?=?650

config[?'obs_shape']?=?obs_shape

config[?'act_dim']?=?act_dim

model?=?Model(act_dim)

algorithm?=?parl.algorithms.A3C(model,?vf_loss_coeff=config[?'vf_loss_coeff'])

agent?=?Agent(algorithm,?config)

agent.restore(?"./model_dir")

#?初始状态

obs?=?env.reset

MAX_STEP?=?20

step?=?0

whileTrue:

state_code?=?env.game.stateCode

action?=?agent.predict(obs)

obs,?reward,?isOver,?_?=?env.step(action)

next_state_code?=?env.game.stateCode

step?+=?1

logger.info(?"evaluate?state_code:{},?action:{}?next_state_code:{},?reward:{},?isOver:{}".format(state_code,?action,?next_state_code,?reward,?isOver))

ifisOver?orstep?>MAX_STEP:

logger.info(?"GameOver,?state:{}".format(next_state_code))

break;

可以看到，我只用了2步，算法就成功达到了设定的终止状态[965]。新建部署项目ArKnight_A2C，把模型导入，效果如下：

4.模型和状态推理引擎部署到真机

定义真机环境：

importtime

importcv2

fromPIL?importImage

importnumpy?asnp

fromadbutil?importAdbUtil

fromresnet?importResNet