Direitos autorais 2018 The TF-Agents Authors.
 Ver em TensorFlow.org |  Executar no Google Colab |  Ver fonte no GitHub |  Download do caderno |
Introdução
Um padrão comum no aprendizado por reforço é executar uma política em um ambiente para um número especificado de etapas ou episódios. Isso acontece, por exemplo, durante a coleta de dados, avaliação e geração de um vídeo do agente.
Enquanto isso é relativamente simples escrever em python, é muito mais complexo para escrever e depurar em TensorFlow porque envolve tf.while loops, tf.cond e tf.control_dependencies . Portanto, abstraímos essa noção de loop de execução em uma classe chamada driver e fornecemos implementações bem testadas no Python e no TensorFlow.
Além disso, os dados encontrados pelo driver em cada etapa são salvos em uma tupla nomeada chamada Trajetória e transmitidos para um conjunto de observadores, como buffers de reprodução e métricas. Esses dados incluem a observação do ambiente, a ação recomendada pela política, a recompensa obtida, o tipo de corrente e a próxima etapa, etc.
Configuração
Se você ainda não instalou tf-agents ou gym, execute:
pip install -q --pre tf-agents[reverb]pip install -q gym
WARNING: You are using pip version 20.1.1; however, version 20.2 is available. You should consider upgrading via the '/tmpfs/src/tf_docs_env/bin/python -m pip install --upgrade pip' command. WARNING: You are using pip version 20.1.1; however, version 20.2 is available. You should consider upgrading via the '/tmpfs/src/tf_docs_env/bin/python -m pip install --upgrade pip' command.
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function
import tensorflow as tf
from tf_agents.environments import suite_gym
from tf_agents.environments import tf_py_environment
from tf_agents.policies import random_py_policy
from tf_agents.policies import random_tf_policy
from tf_agents.metrics import py_metrics
from tf_agents.metrics import tf_metrics
from tf_agents.drivers import py_driver
from tf_agents.drivers import dynamic_episode_driver
tf.compat.v1.enable_v2_behavior()
Drivers Python
A classe PyDriver usa um ambiente python, uma política python e uma lista de observadores para atualizar a cada etapa. O método principal é run() , que run() etapas no ambiente usando ações da política até que pelo menos um dos seguintes critérios de finalização seja atendido: O número de etapas atinge max_steps ou o número de episódios atinge max_episodes .
A implementação é aproximadamente da seguinte maneira:
class PyDriver(object):
def __init__(self, env, policy, observers, max_steps=1, max_episodes=1):
self._env = env
self._policy = policy
self._observers = observers or []
self._max_steps = max_steps or np.inf
self._max_episodes = max_episodes or np.inf
def run(self, time_step, policy_state=()):
num_steps = 0
num_episodes = 0
while num_steps < self._max_steps and num_episodes < self._max_episodes:
# Compute an action using the policy for the given time_step
action_step = self._policy.action(time_step, policy_state)
# Apply the action to the environment and get the next step
next_time_step = self._env.step(action_step.action)
# Package information into a trajectory
traj = trajectory.Trajectory(
time_step.step_type,
time_step.observation,
action_step.action,
action_step.info,
next_time_step.step_type,
next_time_step.reward,
next_time_step.discount)
for observer in self._observers:
observer(traj)
# Update statistics to check termination
num_episodes += np.sum(traj.is_last())
num_steps += np.sum(~traj.is_boundary())
time_step = next_time_step
policy_state = action_step.state
return time_step, policy_state
Agora, vamos analisar o exemplo de execução de uma política aleatória no ambiente CartPole, salvando os resultados em um buffer de reprodução e computando algumas métricas.
env = suite_gym.load('CartPole-v0')
policy = random_py_policy.RandomPyPolicy(time_step_spec=env.time_step_spec(),
action_spec=env.action_spec())
replay_buffer = []
metric = py_metrics.AverageReturnMetric()
observers = [replay_buffer.append, metric]
driver = py_driver.PyDriver(
env, policy, observers, max_steps=20, max_episodes=1)
initial_time_step = env.reset()
final_time_step, _ = driver.run(initial_time_step)
print('Replay Buffer:')
for traj in replay_buffer:
print(traj)
print('Average Return: ', metric.result())
Replay Buffer: Trajectory(step_type=array(0, dtype=int32), observation=array([-0.02872566, -0.04710842, -0.00544945, -0.0319142 ], dtype=float32), action=array(1), policy_info=(), next_step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32)) Trajectory(step_type=array(1, dtype=int32), observation=array([-0.02966782, 0.14809126, -0.00608774, -0.3263115 ], dtype=float32), action=array(0), policy_info=(), next_step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32)) Trajectory(step_type=array(1, dtype=int32), observation=array([-0.026706 , -0.0469435 , -0.01261397, -0.03555458], dtype=float32), action=array(0), policy_info=(), next_step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32)) Trajectory(step_type=array(1, dtype=int32), observation=array([-0.02764487, -0.24188231, -0.01332506, 0.25312197], dtype=float32), action=array(1), policy_info=(), next_step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32)) Trajectory(step_type=array(1, dtype=int32), observation=array([-0.03248252, -0.04657265, -0.00826262, -0.04373396], dtype=float32), action=array(1), policy_info=(), next_step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32)) Trajectory(step_type=array(1, dtype=int32), observation=array([-0.03341397, 0.1486668 , -0.0091373 , -0.33901232], dtype=float32), action=array(1), policy_info=(), next_step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32)) Trajectory(step_type=array(1, dtype=int32), observation=array([-0.03044063, 0.34391758, -0.01591755, -0.6345626 ], dtype=float32), action=array(1), policy_info=(), next_step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32)) Trajectory(step_type=array(1, dtype=int32), observation=array([-0.02356228, 0.5392579 , -0.0286088 , -0.9322155 ], dtype=float32), action=array(1), policy_info=(), next_step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32)) Trajectory(step_type=array(1, dtype=int32), observation=array([-0.01277712, 0.73475397, -0.04725311, -1.2337494 ], dtype=float32), action=array(1), policy_info=(), next_step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32)) Trajectory(step_type=array(1, dtype=int32), observation=array([ 0.00191796, 0.9304505 , -0.0719281 , -1.5408539 ], dtype=float32), action=array(0), policy_info=(), next_step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32)) Trajectory(step_type=array(1, dtype=int32), observation=array([ 0.02052697, 0.73626345, -0.10274518, -1.271455 ], dtype=float32), action=array(0), policy_info=(), next_step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32)) Trajectory(step_type=array(1, dtype=int32), observation=array([ 0.03525224, 0.542592 , -0.12817428, -1.0126338 ], dtype=float32), action=array(1), policy_info=(), next_step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32)) Trajectory(step_type=array(1, dtype=int32), observation=array([ 0.04610407, 0.7391692 , -0.14842695, -1.342661 ], dtype=float32), action=array(0), policy_info=(), next_step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32)) Trajectory(step_type=array(1, dtype=int32), observation=array([ 0.06088746, 0.5461935 , -0.17528017, -1.0998576 ], dtype=float32), action=array(1), policy_info=(), next_step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32)) Trajectory(step_type=array(1, dtype=int32), observation=array([ 0.07181133, 0.743134 , -0.19727732, -1.4420109 ], dtype=float32), action=array(0), policy_info=(), next_step_type=array(2, dtype=int32), reward=array(1., dtype=float32), discount=array(0., dtype=float32)) Average Return: 15.0
Drivers para TensorFlow
Também temos drivers no TensorFlow que são funcionalmente semelhantes aos drivers Python, mas usam ambientes TF, políticas de TF, observadores de TF etc. Atualmente, temos 2 drivers TensorFlow: DynamicStepDriver , que termina após um determinado número de etapas (válidas) do ambiente e DynamicEpisodeDriver , que termina após um determinado número de episódios. Vejamos um exemplo do DynamicEpisode em ação.
env = suite_gym.load('CartPole-v0')
tf_env = tf_py_environment.TFPyEnvironment(env)
tf_policy = random_tf_policy.RandomTFPolicy(action_spec=tf_env.action_spec(),
time_step_spec=tf_env.time_step_spec())
num_episodes = tf_metrics.NumberOfEpisodes()
env_steps = tf_metrics.EnvironmentSteps()
observers = [num_episodes, env_steps]
driver = dynamic_episode_driver.DynamicEpisodeDriver(
tf_env, tf_policy, observers, num_episodes=2)
# Initial driver.run will reset the environment and initialize the policy.
final_time_step, policy_state = driver.run()
print('final_time_step', final_time_step)
print('Number of Steps: ', env_steps.result().numpy())
print('Number of Episodes: ', num_episodes.result().numpy())
final_time_step TimeStep(step_type=<tf.Tensor: shape=(1,), dtype=int32, numpy=array([0], dtype=int32)>, reward=<tf.Tensor: shape=(1,), dtype=float32, numpy=array([0.], dtype=float32)>, discount=<tf.Tensor: shape=(1,), dtype=float32, numpy=array([1.], dtype=float32)>, observation=<tf.Tensor: shape=(1, 4), dtype=float32, numpy=
array([[-0.02959541, -0.02209792, 0.01046155, 0.01981805]],
dtype=float32)>)
Number of Steps: 34
Number of Episodes: 2
# Continue running from previous state
final_time_step, _ = driver.run(final_time_step, policy_state)
print('final_time_step', final_time_step)
print('Number of Steps: ', env_steps.result().numpy())
print('Number of Episodes: ', num_episodes.result().numpy())
final_time_step TimeStep(step_type=<tf.Tensor: shape=(1,), dtype=int32, numpy=array([0], dtype=int32)>, reward=<tf.Tensor: shape=(1,), dtype=float32, numpy=array([0.], dtype=float32)>, discount=<tf.Tensor: shape=(1,), dtype=float32, numpy=array([1.], dtype=float32)>, observation=<tf.Tensor: shape=(1, 4), dtype=float32, numpy=
array([[-0.00525741, 0.00929421, -0.03492192, 0.0023589 ]],
dtype=float32)>)
Number of Steps: 91
Number of Episodes: 4