Copyright 2021 TF-AgentsAuthors。
![]() | ![]() | ![]() | ![]() |
前書き
この例は、TF-Agentsライブラリーを使用して、カートポール環境でDQN(Deep Q Networks)エージェントをトレーニングする方法を示しています。
トレーニング、評価、データ収集のための強化学習(RL)パイプラインのすべてのコンポーネントについて説明します。
このコードをライブで実行するには、上の[GoogleColabで実行]リンクをクリックしてください。
セットアップ
次の依存関係をインストールしていない場合は、次を実行します。
sudo apt-get install -y xvfb ffmpeg
pip install -q 'imageio==2.4.0'
pip install -q pyvirtualdisplay
pip install -q tf-agents
from __future__ import absolute_import, division, print_function
import base64
import imageio
import IPython
import matplotlib
import matplotlib.pyplot as plt
import numpy as np
import PIL.Image
import pyvirtualdisplay
import tensorflow as tf
from tf_agents.agents.dqn import dqn_agent
from tf_agents.drivers import dynamic_step_driver
from tf_agents.environments import suite_gym
from tf_agents.environments import tf_py_environment
from tf_agents.eval import metric_utils
from tf_agents.metrics import tf_metrics
from tf_agents.networks import q_network
from tf_agents.policies import random_tf_policy
from tf_agents.replay_buffers import tf_uniform_replay_buffer
from tf_agents.trajectories import trajectory
from tf_agents.utils import common
tf.compat.v1.enable_v2_behavior()
# Set up a virtual display for rendering OpenAI gym environments.
display = pyvirtualdisplay.Display(visible=0, size=(1400, 900)).start()
tf.version.VERSION
'2.4.0'
ハイパーパラメータ
num_iterations = 20000 # @param {type:"integer"}
initial_collect_steps = 100 # @param {type:"integer"}
collect_steps_per_iteration = 1 # @param {type:"integer"}
replay_buffer_max_length = 100000 # @param {type:"integer"}
batch_size = 64 # @param {type:"integer"}
learning_rate = 1e-3 # @param {type:"number"}
log_interval = 200 # @param {type:"integer"}
num_eval_episodes = 10 # @param {type:"integer"}
eval_interval = 1000 # @param {type:"integer"}
環境
強化学習(RL)では、環境は解決すべきタスクまたは問題を表します。標準環境は、 tf_agents.environments
スイートを使用してTFエージェントで作成できます。 TF-Agentsには、OpenAI Gym、Atari、DMControlなどのソースから環境をロードするためのスイートがあります。
OpenAIGymスイートからCartPole環境をロードします。
env_name = 'CartPole-v0'
env = suite_gym.load(env_name)
この環境をレンダリングして、どのように見えるかを確認できます。カートにはフリースイングポールが付いています。目標は、ポールを上向きに保つためにカートを右または左に動かすことです。
env.reset()
PIL.Image.fromarray(env.render())
environment.step
メソッドは、環境内でaction
し、環境の次の観測とアクションの報酬を含むTimeStep
タプルを返します。
time_step_spec()
メソッドは、 TimeStep
タプルの仕様を返します。そのobservation
属性は、 observation
の形状、データ型、および許可される値の範囲を示します。 reward
属性には、 reward
の同じ詳細が表示されます。
print('Observation Spec:')
print(env.time_step_spec().observation)
Observation Spec: BoundedArraySpec(shape=(4,), dtype=dtype('float32'), name='observation', minimum=[-4.8000002e+00 -3.4028235e+38 -4.1887903e-01 -3.4028235e+38], maximum=[4.8000002e+00 3.4028235e+38 4.1887903e-01 3.4028235e+38])
print('Reward Spec:')
print(env.time_step_spec().reward)
Reward Spec: ArraySpec(shape=(), dtype=dtype('float32'), name='reward')
action_spec()
メソッドは、有効なアクションの形状、データ型、および許可された値を返します。
print('Action Spec:')
print(env.action_spec())
Action Spec: BoundedArraySpec(shape=(), dtype=dtype('int64'), name='action', minimum=0, maximum=1)
カートポール環境の場合:
-
observation
は4つのフロートの配列です。- カートの位置と速度
- 極の角位置と速度
reward
はスカラーフロート値ですaction
は、2つの可能な値のみを持つスカラー整数です。-
0
—「左に移動」 -
1
—「右に移動」
-
time_step = env.reset()
print('Time step:')
print(time_step)
action = np.array(1, dtype=np.int32)
next_time_step = env.step(action)
print('Next time step:')
print(next_time_step)
Time step: TimeStep(step_type=array(0, dtype=int32), reward=array(0., dtype=float32), discount=array(1., dtype=float32), observation=array([-0.02220688, 0.02916698, -0.03515396, -0.03343702], dtype=float32)) Next time step: TimeStep(step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32), observation=array([-0.02162354, 0.22477496, -0.03582269, -0.33700085], dtype=float32))
通常、2つの環境がインスタンス化されます。1つはトレーニング用、もう1つは評価用です。
train_py_env = suite_gym.load(env_name)
eval_py_env = suite_gym.load(env_name)
Cartpole環境は、ほとんどの環境と同様に、純粋なPythonで記述されています。これは、 TFPyEnvironment
ラッパーを使用してTFPyEnvironment
変換されます。
元の環境のAPIはNumpy配列を使用します。 TFPyEnvironment
これらをTensors
に変換して、 Tensors
エージェントおよびポリシーと互換性を持たせます。
train_env = tf_py_environment.TFPyEnvironment(train_py_env)
eval_env = tf_py_environment.TFPyEnvironment(eval_py_env)
エージェント
RL問題を解決するために使用されるアルゴリズムは、 Agent
によって表されます。 TF-剤の種々の標準的な実装を提供Agents
含みます。
DQNエージェントは、個別のアクションスペースを持つ任意の環境で使用できます。
DQNエージェントの中心となるのはQNetwork
です。これは、環境からの観察を前提として、すべてのアクションのQValues
(期待収益)を予測することを学習できるニューラルネットワークモデルです。
tf_agents.networks.q_network
を使用してQNetwork
を作成し、 observation_spec
、 action_spec
、およびモデルの非表示レイヤーの数とサイズを記述するタプルをaction_spec
ます。
fc_layer_params = (100,)
q_net = q_network.QNetwork(
train_env.observation_spec(),
train_env.action_spec(),
fc_layer_params=fc_layer_params)
次に、 tf_agents.agents.dqn.dqn_agent
を使用してtf_agents.agents.dqn.dqn_agent
をインスタンス化しDqnAgent
。 time_step_spec
、 action_spec
、およびQNetworkに加えて、エージェントコンストラクターには、オプティマイザー(この場合はAdamOptimizer
)、損失関数、および整数ステップカウンターも必要です。
optimizer = tf.compat.v1.train.AdamOptimizer(learning_rate=learning_rate)
train_step_counter = tf.Variable(0)
agent = dqn_agent.DqnAgent(
train_env.time_step_spec(),
train_env.action_spec(),
q_network=q_net,
optimizer=optimizer,
td_errors_loss_fn=common.element_wise_squared_loss,
train_step_counter=train_step_counter)
agent.initialize()
ポリシー
ポリシーは、エージェントが環境内で動作する方法を定義します。通常、強化学習の目標は、ポリシーが目的の結果を生成するまで、基礎となるモデルをトレーニングすることです。
このチュートリアルでは:
- 望ましい結果は、カート上でポールのバランスを直立に保つことです。
- ポリシーは、
time_step
観測ごとにアクション(左または右)を返します。
エージェントには2つのポリシーが含まれています。
-
agent.policy
—評価と展開に使用されるメインポリシー。 -
agent.collect_policy
—データ収集に使用される2番目のポリシー。
eval_policy = agent.policy
collect_policy = agent.collect_policy
ポリシーは、エージェントとは独立して作成できます。たとえば、 tf_agents.policies.random_tf_policy
を使用して、 time_step
ごとにアクションをランダムに選択するポリシーを作成します。
random_policy = random_tf_policy.RandomTFPolicy(train_env.time_step_spec(),
train_env.action_spec())
ポリシーからアクションを取得するには、 policy.action(time_step)
メソッドを呼び出します。 time_step
には、環境からの観測が含まれます。このメソッドは、 PolicyStep
3つのコンポーネントを持つ名前付きタプルであるPolicyStep
返します。
-
action
—実行するアクション(この場合、0
または1
) -
state
—ステートフル(つまり、RNNベース)ポリシーに使用されます info
—アクションのログ確率などの補助データ
example_environment = tf_py_environment.TFPyEnvironment(
suite_gym.load('CartPole-v0'))
time_step = example_environment.reset()
random_policy.action(time_step)
PolicyStep(action=<tf.Tensor: shape=(1,), dtype=int64, numpy=array([1])>, state=(), info=())
指標と評価
ポリシーの評価に使用される最も一般的な指標は、平均収益です。リターンは、エピソードの環境でポリシーを実行している間に取得した報酬の合計です。いくつかのエピソードが実行され、平均的なリターンが得られます。
次の関数は、ポリシー、環境、およびエピソードの数を指定して、ポリシーの平均リターンを計算します。
def compute_avg_return(environment, policy, num_episodes=10):
total_return = 0.0
for _ in range(num_episodes):
time_step = environment.reset()
episode_return = 0.0
while not time_step.is_last():
action_step = policy.action(time_step)
time_step = environment.step(action_step.action)
episode_return += time_step.reward
total_return += episode_return
avg_return = total_return / num_episodes
return avg_return.numpy()[0]
# See also the metrics module for standard implementations of different metrics.
# https://github.com/tensorflow/agents/tree/master/tf_agents/metrics
random_policy
この計算を実行すると、環境のベースラインパフォーマンスが示されます。
compute_avg_return(eval_env, random_policy, num_eval_episodes)
19.3
リプレイバッファ
再生バッファは、環境から収集されたデータを追跡します。このチュートリアルでは、最も一般的なtf_agents.replay_buffers.tf_uniform_replay_buffer.TFUniformReplayBuffer
使用します。
コンストラクターには、収集するデータの仕様が必要です。これは、 collect_data_spec
メソッドを使用してエージェントから利用できます。バッチサイズと最大バッファー長も必要です。
replay_buffer = tf_uniform_replay_buffer.TFUniformReplayBuffer(
data_spec=agent.collect_data_spec,
batch_size=train_env.batch_size,
max_length=replay_buffer_max_length)
ほとんどのエージェントの場合、 collect_data_spec
はTrajectory
と呼ばれる名前付きタプルであり、監視、アクション、報酬、およびその他のアイテムの仕様が含まれています。
agent.collect_data_spec
Trajectory(step_type=TensorSpec(shape=(), dtype=tf.int32, name='step_type'), observation=BoundedTensorSpec(shape=(4,), dtype=tf.float32, name='observation', minimum=array([-4.8000002e+00, -3.4028235e+38, -4.1887903e-01, -3.4028235e+38], dtype=float32), maximum=array([4.8000002e+00, 3.4028235e+38, 4.1887903e-01, 3.4028235e+38], dtype=float32)), action=BoundedTensorSpec(shape=(), dtype=tf.int64, name='action', minimum=array(0), maximum=array(1)), policy_info=(), next_step_type=TensorSpec(shape=(), dtype=tf.int32, name='step_type'), reward=TensorSpec(shape=(), dtype=tf.float32, name='reward'), discount=BoundedTensorSpec(shape=(), dtype=tf.float32, name='discount', minimum=array(0., dtype=float32), maximum=array(1., dtype=float32)))
agent.collect_data_spec._fields
('step_type', 'observation', 'action', 'policy_info', 'next_step_type', 'reward', 'discount')
データ収集
次に、環境内でランダムポリシーを数ステップ実行し、データを再生バッファーに記録します。
def collect_step(environment, policy, buffer):
time_step = environment.current_time_step()
action_step = policy.action(time_step)
next_time_step = environment.step(action_step.action)
traj = trajectory.from_transition(time_step, action_step, next_time_step)
# Add trajectory to the replay buffer
buffer.add_batch(traj)
def collect_data(env, policy, buffer, steps):
for _ in range(steps):
collect_step(env, policy, buffer)
collect_data(train_env, random_policy, replay_buffer, initial_collect_steps)
# This loop is so common in RL, that we provide standard implementations.
# For more details see the drivers module.
# https://www.tensorflow.org/agents/api_docs/python/tf_agents/drivers
リプレイバッファは、トラジェクトリのコレクションになりました。
# For the curious:
# Uncomment to peel one of these off and inspect it.
# iter(replay_buffer.as_dataset()).next()
エージェントはリプレイバッファにアクセスする必要があります。これは、エージェントにデータを供給する反復可能なtf.data.Dataset
パイプラインを作成することによって提供されます。
再生バッファの各行には、単一の観測ステップのみが格納されます。ただし、DQNエージェントは損失を計算するために現在と次の両方の観測を必要とするため、データセットパイプラインは、バッチ内の各アイテムについて2つの隣接する行をサンプリングします( num_steps=2
)。
このデータセットは、並列呼び出しを実行してデータをプリフェッチすることによっても最適化されます。
# Dataset generates trajectories with shape [Bx2x...]
dataset = replay_buffer.as_dataset(
num_parallel_calls=3,
sample_batch_size=batch_size,
num_steps=2).prefetch(3)
dataset
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.6/site-packages/tensorflow/python/autograph/operators/control_flow.py:1218: ReplayBuffer.get_next (from tf_agents.replay_buffers.replay_buffer) is deprecated and will be removed in a future version. Instructions for updating: Use `as_dataset(..., single_deterministic_pass=False) instead. <PrefetchDataset shapes: (Trajectory(step_type=(64, 2), observation=(64, 2, 4), action=(64, 2), policy_info=(), next_step_type=(64, 2), reward=(64, 2), discount=(64, 2)), BufferInfo(ids=(64, 2), probabilities=(64,))), types: (Trajectory(step_type=tf.int32, observation=tf.float32, action=tf.int64, policy_info=(), next_step_type=tf.int32, reward=tf.float32, discount=tf.float32), BufferInfo(ids=tf.int64, probabilities=tf.float32))>
iterator = iter(dataset)
print(iterator)
<tensorflow.python.data.ops.iterator_ops.OwnedIterator object at 0x7f424ef1e080>
# For the curious:
# Uncomment to see what the dataset iterator is feeding to the agent.
# Compare this representation of replay data
# to the collection of individual trajectories shown earlier.
# iterator.next()
エージェントのトレーニング
トレーニングループ中に2つのことが発生する必要があります。
- 環境からデータを収集する
- そのデータを使用して、エージェントのニューラルネットワークをトレーニングします
この例では、ポリシーを定期的に評価し、現在のスコアを出力します。
以下の実行には約5分かかります。
try:
%%time
except:
pass
# (Optional) Optimize by wrapping some of the code in a graph using TF function.
agent.train = common.function(agent.train)
# Reset the train step
agent.train_step_counter.assign(0)
# Evaluate the agent's policy once before training.
avg_return = compute_avg_return(eval_env, agent.policy, num_eval_episodes)
returns = [avg_return]
for _ in range(num_iterations):
# Collect a few steps using collect_policy and save to the replay buffer.
collect_data(train_env, agent.collect_policy, replay_buffer, collect_steps_per_iteration)
# Sample a batch of data from the buffer and update the agent's network.
experience, unused_info = next(iterator)
train_loss = agent.train(experience).loss
step = agent.train_step_counter.numpy()
if step % log_interval == 0:
print('step = {0}: loss = {1}'.format(step, train_loss))
if step % eval_interval == 0:
avg_return = compute_avg_return(eval_env, agent.policy, num_eval_episodes)
print('step = {0}: Average Return = {1}'.format(step, avg_return))
returns.append(avg_return)
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.6/site-packages/tensorflow/python/util/dispatch.py:201: calling foldr_v2 (from tensorflow.python.ops.functional_ops) with back_prop=False is deprecated and will be removed in a future version. Instructions for updating: back_prop=False is deprecated. Consider using tf.stop_gradient instead. Instead of: results = tf.foldr(fn, elems, back_prop=False) Use: results = tf.nest.map_structure(tf.stop_gradient, tf.foldr(fn, elems)) step = 200: loss = 12.070486068725586 step = 400: loss = 8.28309440612793 step = 600: loss = 31.025835037231445 step = 800: loss = 13.815164566040039 step = 1000: loss = 8.706375122070312 step = 1000: Average Return = 146.10000610351562 step = 1200: loss = 5.937136650085449 step = 1400: loss = 8.289731979370117 step = 1600: loss = 33.76885223388672 step = 1800: loss = 47.953025817871094 step = 2000: loss = 52.09583282470703 step = 2000: Average Return = 27.799999237060547 step = 2200: loss = 5.141240119934082 step = 2400: loss = 21.2930908203125 step = 2600: loss = 25.088130950927734 step = 2800: loss = 56.888206481933594 step = 3000: loss = 76.79216003417969 step = 3000: Average Return = 21.700000762939453 step = 3200: loss = 26.36425018310547 step = 3400: loss = 4.469114780426025 step = 3600: loss = 34.6283073425293 step = 3800: loss = 14.598098754882812 step = 4000: loss = 17.743749618530273 step = 4000: Average Return = 46.0 step = 4200: loss = 26.917938232421875 step = 4400: loss = 56.554386138916016 step = 4600: loss = 19.315950393676758 step = 4800: loss = 16.675647735595703 step = 5000: loss = 136.85499572753906 step = 5000: Average Return = 126.4000015258789 step = 5200: loss = 35.19789123535156 step = 5400: loss = 88.04693603515625 step = 5600: loss = 70.27599334716797 step = 5800: loss = 72.77832794189453 step = 6000: loss = 57.98759078979492 step = 6000: Average Return = 127.4000015258789 step = 6200: loss = 191.23748779296875 step = 6400: loss = 6.994782447814941 step = 6600: loss = 90.5509033203125 step = 6800: loss = 38.94111251831055 step = 7000: loss = 8.685359001159668 step = 7000: Average Return = 130.5 step = 7200: loss = 128.6968536376953 step = 7400: loss = 82.48645782470703 step = 7600: loss = 44.56972122192383 step = 7800: loss = 55.02344512939453 step = 8000: loss = 141.50399780273438 step = 8000: Average Return = 159.3000030517578 step = 8200: loss = 6.795340061187744 step = 8400: loss = 13.114398956298828 step = 8600: loss = 91.94058990478516 step = 8800: loss = 82.01240539550781 step = 9000: loss = 44.955650329589844 step = 9000: Average Return = 178.8000030517578 step = 9200: loss = 68.20870208740234 step = 9400: loss = 154.3193359375 step = 9600: loss = 137.314453125 step = 9800: loss = 74.73216247558594 step = 10000: loss = 91.0711441040039 step = 10000: Average Return = 184.6999969482422 step = 10200: loss = 85.52545166015625 step = 10400: loss = 8.654191970825195 step = 10600: loss = 22.928178787231445 step = 10800: loss = 20.545730590820312 step = 11000: loss = 271.4393005371094 step = 11000: Average Return = 174.3000030517578 step = 11200: loss = 9.628021240234375 step = 11400: loss = 137.62472534179688 step = 11600: loss = 5.842207908630371 step = 11800: loss = 174.1510772705078 step = 12000: loss = 7.528541564941406 step = 12000: Average Return = 182.1999969482422 step = 12200: loss = 8.867502212524414 step = 12400: loss = 81.00005340576172 step = 12600: loss = 12.920578002929688 step = 12800: loss = 142.42262268066406 step = 13000: loss = 143.52105712890625 step = 13000: Average Return = 155.5 step = 13200: loss = 297.1153259277344 step = 13400: loss = 390.66412353515625 step = 13600: loss = 142.9129638671875 step = 13800: loss = 63.83035659790039 step = 14000: loss = 21.4559268951416 step = 14000: Average Return = 162.8000030517578 step = 14200: loss = 129.82550048828125 step = 14400: loss = 16.236011505126953 step = 14600: loss = 9.619779586791992 step = 14800: loss = 184.36654663085938 step = 15000: loss = 10.463872909545898 step = 15000: Average Return = 183.0 step = 15200: loss = 33.84937286376953 step = 15400: loss = 30.32630157470703 step = 15600: loss = 453.1896667480469 step = 15800: loss = 215.66067504882812 step = 16000: loss = 524.3294677734375 step = 16000: Average Return = 188.5 step = 16200: loss = 25.474245071411133 step = 16400: loss = 493.87481689453125 step = 16600: loss = 44.63227462768555 step = 16800: loss = 22.07838249206543 step = 17000: loss = 1202.003662109375 step = 17000: Average Return = 196.8000030517578 step = 17200: loss = 253.89215087890625 step = 17400: loss = 256.4725646972656 step = 17600: loss = 12.142976760864258 step = 17800: loss = 28.95887565612793 step = 18000: loss = 334.6312561035156 step = 18000: Average Return = 184.8000030517578 step = 18200: loss = 14.26879596710205 step = 18400: loss = 375.1312561035156 step = 18600: loss = 295.83953857421875 step = 18800: loss = 38.81288528442383 step = 19000: loss = 20.399158477783203 step = 19000: Average Return = 182.5 step = 19200: loss = 33.21414566040039 step = 19400: loss = 32.32746124267578 step = 19600: loss = 706.607177734375 step = 19800: loss = 381.3253479003906 step = 20000: loss = 349.1406555175781 step = 20000: Average Return = 178.89999389648438
視覚化
プロット
matplotlib.pyplot
を使用して、トレーニング中にポリシーがどのように改善されたかをグラフ化します。
Cartpole-v0
1回の反復は、200のタイムステップで構成されます。この環境では、ポールが上がったままのステップごとに+1
報酬が与えられるため、1つのエピソードの最大リターンは200です。グラフは、トレーニング中に評価されるたびに、その最大に向かって増加するリターンを示しています。 (少し不安定で、毎回単調に増加しない場合があります。)
iterations = range(0, num_iterations + 1, eval_interval)
plt.plot(iterations, returns)
plt.ylabel('Average Return')
plt.xlabel('Iterations')
plt.ylim(top=250)
(4.125000047683715, 250.0)
ビデオ
チャートはいいです。しかし、もっとエキサイティングなのは、エージェントが実際に環境内でタスクを実行しているのを見ることです。
まず、ノートブックにビデオを埋め込む関数を作成します。
def embed_mp4(filename):
"""Embeds an mp4 file in the notebook."""
video = open(filename,'rb').read()
b64 = base64.b64encode(video)
tag = '''
<video width="640" height="480" controls>
<source src="data:video/mp4;base64,{0}" type="video/mp4">
Your browser does not support the video tag.
</video>'''.format(b64.decode())
return IPython.display.HTML(tag)
次に、エージェントと一緒にカートポールゲームのいくつかのエピソードを繰り返します。基盤となるPython環境(TensorFlow環境ラッパーの「内部」にある環境)は、環境状態の画像を出力するrender()
メソッドを提供しrender()
。これらはビデオに集めることができます。
def create_policy_eval_video(policy, filename, num_episodes=5, fps=30):
filename = filename + ".mp4"
with imageio.get_writer(filename, fps=fps) as video:
for _ in range(num_episodes):
time_step = eval_env.reset()
video.append_data(eval_py_env.render())
while not time_step.is_last():
action_step = policy.action(time_step)
time_step = eval_env.step(action_step.action)
video.append_data(eval_py_env.render())
return embed_mp4(filename)
create_policy_eval_video(agent.policy, "trained-agent")
WARNING:root:IMAGEIO FFMPEG_WRITER WARNING: input image is not divisible by macro_block_size=16, resizing from (400, 600) to (400, 608) to ensure video compatibility with most codecs and players. To prevent resizing, make your input image divisible by the macro_block_size or set the macro_block_size to None (risking incompatibility). You may also see a FFMPEG warning concerning speedloss due to data not being aligned.
楽しみのために、訓練されたエージェント(上記)をランダムに動くエージェントと比較してください。 (それもしません。)
create_policy_eval_video(random_policy, "random-agent")
WARNING:root:IMAGEIO FFMPEG_WRITER WARNING: input image is not divisible by macro_block_size=16, resizing from (400, 600) to (400, 608) to ensure video compatibility with most codecs and players. To prevent resizing, make your input image divisible by the macro_block_size or set the macro_block_size to None (risking incompatibility). You may also see a FFMPEG warning concerning speedloss due to data not being aligned.