用Dota2“最强”算法PPO完成CarPole和四轴飞行器悬浮任务

2019年Dota 2比赛中，OpenAI Five完胜世界冠队伍OG。

Bill Gates在Twitter中提到：“AI机器人在Dota 2中战胜人类，是AI发展的一个里程碑事件”。

1 (1).jpg

无论AlphaGo击败围棋世界冠军还是OpenAI Five完胜世界冠队伍OG，都让大众感受到了AI的魅力，促进了AI蓬勃发展。

那么OpenAI Five应用了什么技术，实现在Dota中完胜世界冠军的呢？那就是Proximal Policy Optimization（PPO）算法，本文重点介绍基于飞桨PARL，完成PPO算法实践的过程。

飞桨PARL开源项目地址：

https://github.com/PaddlePadd...

PPO算法将游戏中所有的状态作为数据输入，通过数据分析计算，由PPO优化的智能体Agent做出相应的动作，智能体Agent的思考过程如下图所示。

在介绍PPO算法之前，我们先了解深度强化学习中基于策略梯度的Policy Gradient算法（以下简称PG）。

PG算法介绍

PG算法的基本组成如下图所示：

Actor：由智能体Agent产生的执行动作；
Env：智能体Agent的执行环境；
Reward Function：奖励计算方式，执行动作的评价指标。
智能体Agent在Env中不断学习，根据环境的状态State（也可以为观察到的observation，下文统一用State）来执行动作Action，过程中会根据反馈的Reward来选择效果更好的动作，实现逻辑如下图所示：

采用神经网络拟合策略函数，通过计算策略梯度来优化策略网络；
通过环境产生的状态State矩阵或者向量Vector作为神经网络的输入，通过神经网络得到每个执行动作的概率，选择概率最大的执行动作。
计算原理如下图所示：

在环境Env中得到状态State，Agent通过State得出使得Reward最大的执行动作Actor；
Actor在环境中又得到新的State(next state) ；
重复以上动作，直到Reward Fuction不成立或者达到这次循环终止条件。此时可以计算出一个轨迹的发生概率（一个episode的发生概率）。
在优化神经网络时，除了需要向网络输入数据外，还要给网络一个期望的输出（label）。

优化的目标是策略的期望回报，即所有轨迹的回报与对应轨迹发生概率的加权和。当N足够大时，通过采样N个轨迹求平均的方式近似表达，简单理解就是所得Reward的平均值。每次都让网络来拟合之前Reward的平均值，通常优化策略越好，Reward会越高，不过也不是绝对的。

计算策略梯度公式如下图所示：

首先用函数求导的特点进行转化；然后用N次采样的平均值来近似期望；最后将展开，将与无关的项去掉，即得到最终的结果。

关于PG的经验之谈

PG是基于策略梯度求解RL的方法，按照概率分布随机选择动作，计算某个状态下所有策略的分布概率，类似于经典分类问题中，给每个类别预测一个概率，好的PG会给优良的策略分配较高的概率。

但它同时也存在一个缺点：优化是在一个完整的episode结束后，sample每一步的均值。只要最后结果很好，所有的动作全部当作好的动作来学习，因此在训练时很可能出现不稳定的情况，需要大量的数据集，保证足够多的sample次数。

Tip 1：增加基线，使得Reward有正有负。

Tip 2：分配适当的权重，选择在这个动作发生后的Reward总和作为动作的权重。

1 (2).jpg

Tip 3：增加折扣因子。

PPO算法介绍

先了解强化学习常用的两种训练方式：On-policy和Off-policy。

On-policy：训练的agent一边互动一边学习（互动的agent就是训练的agent）；
Off-policy：训练的agent一边看一边学习（互动的agent不是训练的agent）。
举例来说，古代杰出帝王都需要深入了解民间百姓的真实生活，这两种策略就类似帝王们获取信息的途径。皇帝可以选择微服出巡（On-policy），虽然眼见为实，但毕竟皇帝本人分身乏术，掌握情况不全；也可以选择派不同的官员去了解情况，再向皇帝汇报（Off-policy）。

在网络训练过程中，通过采样更新权重非常耗时，每更新一个参数就需要采样一次，因此我们需要把On-policy训练方式转化成Off-policy。

从中采样出来的数据的期望值，可以替换为用采样出来的数据再乘以重要性权重。

值得注意的是，需要分布与分布差异很小才能采用这样的方式，如图所示。若当分布与分布相差较大时，需要足够多采样次数才能使他们的期望相近。

的期望和的期望最后相差的就是一个的系数(重要性权重)，如果≈，那么他们的期望就相同（这里省略推导过程）。

PPO解决了On-policy转Off-policy时分布与分布相差较大的问题。通过KL散度来计算分布与分布差异，并将KL加入PPO模型的似然函数，并采用合理适配β来惩罚KL。KL过大我们就增加β，KL小于一定值我们就减小β，PPO算法过程如下图所示：

说明：在概率论或信息论中，通常使用KL散度( Kullback–Leibler divergence)，又称相对熵（relative entropy)，描述两个概率分布和差异。

基于飞桨PARL实践PPO算法

下面我们基于飞桨PARL框架，动手实践PPO算法，介绍实现CarPole和四轴飞行器悬浮任务的操作过程。

项目可在百度AI Studio平台上运行：

https://aistudio.baidu.com/ai...

实践一：CartPole任务

基于飞桨PARL，使用PPO解决连续控制版本的CartPole问题，给小车一个力（连续量），使得车上的摆杆倒立起来。

1. 构建CartPole任务的Model、Algorithm和Agent。

构建PPO Model，需要声明Policy，定义Value的Model结构：

class PolicyModel(parl.Model):
    def __init__(self， obs_dim， act_dim， init_logvar):
        self.obs_dim = obs_dim
        self.act_dim = act_dim
        hid1_size = obs_dim * 10
        hid3_size = act_dim * 10
        hid2_size = int(np.sqrt(hid1_size * hid3_size))
        self.lr = 9e-4 / np.sqrt(hid2_size)
        self.fc1 = layers.fc(size=hid1_size， act='tanh')
        self.fc2 = layers.fc(size=hid2_size， act='tanh')
        self.fc3 = layers.fc(size=hid3_size， act='tanh')
        self.fc4 = layers.fc(size=act_dim， act='tanh')
        self.logvars = layers.create_parameter(
            shape=[act_dim]，
            dtype='float32'，
            default_initializer=fluid.initializer.ConstantInitializer(
                init_logvar))

    def policy(self， obs):      #策略
        hid1 = self.fc1(obs)
        hid2 = self.fc2(hid1)
        hid3 = self.fc3(hid2)
        means = self.fc4(hid3)
        logvars = self.logvars()
        return means， logvars

    def sample(self， obs):       #采样
        means， logvars = self.policy(obs)
        sampled_act = means + (
            layers.exp(logvars / 2.0) *  # stddev
            layers.gaussian_random(shape=(self.act_dim， )， dtype='float32'))
        return sampled_act
class ValueModel(parl.Model): 
    def __init__(self， obs_dim， act_dim):
        super(ValueModel， self).__init__()
        hid1_size = obs_dim * 10
        hid3_size = 5
        hid2_size = int(np.sqrt(hid1_size * hid3_size))
        self.lr = 1e-2 / np.sqrt(hid2_size)
        self.fc1 = layers.fc(size=hid1_size， act='tanh')
        self.fc2 = layers.fc(size=hid2_size， act='tanh')
        self.fc3 = layers.fc(size=hid3_size， act='tanh')
        self.fc4 = layers.fc(size=1)

    def value(self， obs):
        hid1 = self.fc1(obs)
        hid2 = self.fc2(hid1)
        hid3 = self.fc3(hid2)
        V = self.fc4(hid3)
        V = layers.squeeze(V， axes=[])
        return V

构建Agent：

class PPOAgent(parl.Agent):
    def __init__(self，algorithm，obs_dim，act_dim，kl_targ，loss_type，beta=1.0，epsilon=0.2，policy_learn_times=20，value_learn_times=10，value_batch_size=256):
        参数初始化（略）

    def build_program(self):      #在静态图下构建program，定义图的输入和输出
        self.policy_predict_program = fluid.Program()
        self.policy_sample_program = fluid.Program()
        self.policy_learn_program = fluid.Program()
        self.value_predict_program = fluid.Program()
        self.value_learn_program = fluid.Program()

    def policy_sample(self， obs):   
        #通过网络推理得到sample
        return sampled_act

    def policy_predict(self， obs):
#通过网络推理得到predict
        return means

    def value_predict(self， obs):
    #通过网络推理得到value_predict
        return value
    #用ppo算法更新policy
    def policy_learn(self， obs， actions， advantages):
        self.alg.sync_old_policy()
        all_loss， all_kl = []， []
        for _ in range(self.policy_learn_times):
            loss， kl = self._batch_policy_learn(obs， actions， advantages)
            all_loss.append(loss)
            all_kl.append(kl)

        if self.loss_type == 'KLPEN':
            # Adative KL penalty coefficient
            if kl > self.kl_targ * 2:
                self.beta = 1.5 * self.beta
            elif kl < self.kl_targ / 2:
                self.beta = self.beta / 1.5

        return np.mean(all_loss)， np.mean(all_kl)
    #用ppo算法更新value
    def value_learn(self， obs， value):
        data_size = obs.shape[0]
        if self.value_learn_buffer is None:
            obs_train， value_train = obs， value
        else:
            obs_train = np.concatenate([obs， self.value_learn_buffer[0]])
            value_train = np.concatenate([value， self.value_learn_buffer[1]])
        self.value_learn_buffer = (obs， value)
        all_loss = []
        for _ in range(self.value_learn_times):
            random_ids = np.arange(obs_train.shape[0])
            np.random.shuffle(random_ids)
            shuffle_obs_train = obs_train[random_ids]
            shuffle_value_train = value_train[random_ids]
            start = 0
            while start < data_size:
                end = start + self.value_batch_size
               value_loss = self._batch_value_learn(
                    shuffle_obs_train[start:end， :]，
                    shuffle_value_train[start:end])
                all_loss.append(value_loss)
                start += self.value_batch_size
        return np.mean(all_loss)

构建PPO Algorithm，此段代码无需运行，便于大家理解PPO整个过程：

class PPO(Algorithm):
    def __init__(self，model，act_dim=None，policy_lr=None，value_lr=None，epsilon=0.2):
        模型初始化略（）
    def _calc_logprob(self， actions， means， logvars):
        exp_item = layers.elementwise_div(
            layers.square(actions - means)， layers.exp(logvars)， axis=1)
        exp_item = -0.5 * layers.reduce_sum(exp_item， dim=1)

        vars_item = -0.5 * layers.reduce_sum(logvars)
        logprob = exp_item + vars_item
        return logprob
    #计算KL
    def _calc_kl(self， means， logvars， old_means， old_logvars):
        log_det_cov_old = layers.reduce_sum(old_logvars)
        log_det_cov_new = layers.reduce_sum(logvars)
        tr_old_new = layers.reduce_sum(layers.exp(old_logvars - logvars))
        kl = 0.5 * (layers.reduce_sum(
            layers.square(means - old_means) / layers.exp(logvars)， dim=1) + (
                log_det_cov_new - log_det_cov_old) + tr_old_new - self.act_dim)
        return kl
    def policy_learn(self， obs， actions， advantages， beta=None):
        old_means， old_logvars = self.old_policy_model.policy(obs)
        old_means.stop_gradient = True
        old_logvars.stop_gradient = True
        old_logprob = self._calc_logprob(actions， old_means， old_logvars)

        means， logvars = self.model.policy(obs)
        logprob = self._calc_logprob(actions， means， logvars)
       kl = self._calc_kl(means， logvars， old_means， old_logvars)
        kl = layers.reduce_mean(kl)

2. 模型训练

def main():
    env = ContinuousCartPoleEnv()
    obs_dim = env.observation_space.shape[0]
    act_dim = env.action_space.shape[0]
    obs_dim += 1  # add 1 to obs dim for time step feature  应该是为了方便引入衰减因子

    scaler = Scaler(obs_dim)

    model = PPOModel(obs_dim， act_dim)
    alg = parl.algorithms.PPO(
        model，
        act_dim=act_dim，
        policy_lr=model.policy_lr，
        value_lr=model.value_lr)
    agent = PPOAgent(
        alg， obs_dim， act_dim， kl_targ， loss_type=loss_type)

    # 运行几个episode来初始化 scaler
    collect_trajectories(env， agent， scaler， episodes=5)

    test_flag = 0
    total_steps = 0
    while total_steps < train_total_steps:
        trajectories = collect_trajectories(
            env， agent， scaler， episodes=episodes_per_batch)
        total_steps += sum([t['obs'].shape[0] for t in trajectories])
        total_train_rewards = sum([np.sum(t['rewards']) for t in trajectories])
        #产生训练数据
        train_obs， train_actions， train_advantages， train_discount_sum_rewards = build_train_data(
            trajectories， agent)
        #计算policy_loss， kl
        policy_loss， kl = agent.policy_learn(train_obs， train_actions，
                                             train_advantages)
        value_loss = agent.value_learn(train_obs， train_discount_sum_rewards)
        if total_steps // test_every_steps >= test_flag:
            while total_steps // test_every_steps >= test_flag:
                test_flag += 1
            eval_reward = run_evaluate_episode(env， agent， scaler)

[07-23 12:00:44 MainThread @<ipython-input-7-710321de7941>:188] Steps 1001984， Evaluate reward: 23285.0

实践效果

在CartPole环境下， Evaluate reward一直在上涨，达到了23285.0（训练过多可能会出现不稳定的情况）。
完整项目地址：https://aistudio.baidu.com/aist

实践二：四轴飞行器悬浮任务。

基于飞桨PARL，使用PPO实现四轴飞行器悬浮任务。您只需要获取如下文件，并在终端安装parl和rlschool后，运行python train.py，即可查看实践效果。

mujoco_model.py
mujoco_agent.py
scaler.py
train.py
.py文件获取路径：

https://aistudio.baidu.com/ai...

实践效果

在rlschool环境下四轴飞行器悬浮任务 Evaluate reward一直在上涨，达到了7107。

完整项目地址：

https://aistudio.baidu.com/ai...

文章小结
在文章开篇和大家一起学习了PG（Policy Gradient）算法是如何解决连续动作空间上求解RL， PG在更新策略时的优缺点及相应的避“坑儿”技巧，如：增加基线、合理适配action的权重、增加代价因子。
接下来介绍了强化学习常用的两种模型训练方式：On-policy与Off-policy，并引出PPO算法。
最后基于飞桨PARL框架，动手实践了PPO算法，完成了CarPole和四轴飞行器悬浮两个任务。
飞桨PaddlePaddle课程链接
百度架构师手把手教深度学习：https://aistudio.baidu.com/ai...

强化学习7日打卡营：https://aistudio.baidu.com/ai...

如在使用过程中有问题，可加入飞桨官方QQ群进行交流：1108045677。

如果您想详细了解更多飞桨的相关内容，请参阅以下文档。

官网地址：https://www.paddlepaddle.org.cn

飞桨PARL开源项目地址：https://github.com/PaddlePadd...

飞桨开源框架项目地址：

GitHub:https://github.com/PaddlePadd...

Gitee: https://gitee.com/paddlepaddle/