如果你是刚刚接触DRL的同学，那么本文的内容就是引你入胜的第一个小实验。
DRL的学习离不开理论知识，但更不能缺少实践！废话不多说我们直接开始。

0、实验环境和包版本

① PyCharm 2022 Pro
② gym 0.25.2
③ python 3.8.16
④ numpy 1.23.5

1、初步了解Gym

关于gym（以及其他的库/包），了解它的最好方法我认为是直接看官方文档，因为官方的文档和说明永远是最权威最前沿的，你看再多的类似于这篇文章的学习分享，也都是二手内容，要知道这些Python库是在不断更新升级的，但是这些文章可能不会更新得那么快。在此我强烈建议当你慢慢熟悉这些环境、知识、框架的时候，可以试着通过阅读、查看官方文档这样的方式学习（只是个人建议，可能每个人适合的方式也不一样）。

官方文档链接（建议收藏）：
Gym官方文档——Gym Documentation

打开之后就是这样的界面啦：
上图的这一段代码其实就可以直接复制粘贴到你的PyCharm中运行，注意这里的gym版本对应的是0.26.2。

图1中左侧是他的文档目录，新手可以从ENVIRONMENTS下的Classic Control（经典控制环境）开始了解，之前进入炼丹炉的测试代码也是用的gym的经典控制环境（比如小车上山：MountainCar-v0等）。

2、强化学习代码框架

注意这里仅仅是gym版本为0.25.2的RL框架！不是完整代码！先不要急着跑它。

import gym                                               #导入gym库
env = gym.make("MountainCar-v0", render_mode = "human")   #导入/构建实验环境MountainCar-v0，当然你也可以导入其他环境
observation = env.reset()                              #重置环境/重置一个回合，env.reset()函数返回一个初始观测
agent = load_agent()                                   #load_agent()需要自己编写，是个类。可以理解为控制智能体的算法
for step in range(100):                                 #开始让agent和环境交互action = agent(observation)                          #给agent一个观测/状态，agent作出一个动作observation, reward, done, info = env.step(action)  #env.step()函数是环境在agent做出动作后的变化，返回4个值

以上代码仅仅是框架，直接粘贴在PyCharm里是跑不出东西的。
这几行代码展示了RL中智能体和环境之间的交互。具体来说，gym库为我们提供了很多环境，MountainCar-v0只是经典控制里的一个环境；我们导入环境后，利用env.reset()函数重置环境，并给予agent一个初始观测，也就是agent来到这个环境里看到的第一个画面；agent/load_agent()是需要我们自己创造的类，它应该包含我们我们设计的RL的算法，是智慧的结晶，agent类接收到一个观测后，应当依据你赋予的算法输出动作到环境中，与环境进行交互；那么环境在agent的输出动作的影响下，将新的状态/新的观测（observation）、agent刚刚做出的动作的奖励（reward）、游戏是否结束的标志（done）、以及环境的其他信息（info）返回给我们。

2.1、认识环境

（gym version = 0.25.2）以MountainCar-v0为例：
这个环境将为你提供如下信息（在Gym Documentation中MountainCar-v0的介绍里面写的很清楚）：

上图说：

Action Space是一个离散的（Discrete）动作空间，并且有3个动作；
Observation Shape (2,)说明观测是一个2维观测；
Observation High和Observation Low分别说明了观测值的上下界；由于一个观测是2维的，因此上界的第1个数据0.6代表了第1个维度的上界float值，第2个数据0.07对应了第2个维度的上界float值，下界同理。
调用该环境MountainCar-v0就用函数gym.make("MountainCar-v0")即可。

注意：

不同环境的观测Observation的维度是不同的，上下界是不同的；
不同环境的动作空间Action Space也是不同的；
观测空间和动作空间可以是离散的（Discrete）也可以是连续的（Continuous）；
在 Gym 库中，一般离散空间用 gym.spaces.Discrete 类表示，连续空间用 gym.spaces.Box 类表示
环境会更新升级，也许过段时间gym会将MountainCar-v0升级为MountainCar-v1，因此调用环境报错时可以留意PyCharm给你的报错提示或去官网查看环境信息。

2.2、观测空间

如上图图3所示：

第一个观测0是小车在x轴方向的位置；
第二个观测1是小车的速度；

如果想查看一个环境的观测空间，可以在Python Console中用print()打印相关信息：

import gym
env = gym.make("MountainCar-v0") #打印观测空间
print(env.observation_space)

Box([-1.2 -0.07], [0.6 0.07], (2,), float32)

print(env.observation_space.high)    #打印上界

[0.6 0.07]

print(env.observation_space.low) #打印下界

[-1.2 -0.07]

运行效果如下：

2.3、动作空间

如上图（图5）所示：

第一个动作0是向左加速；
第二个动作1是不加速；
第三个动作2是向右加速；

动作空间有离散动作空间（Discrete Action Space）和连续动作空间（Continuous Action Space）。
利用print()可以打印出相关信息，如：

import gym
env = gym.make("MountainCar-v0")
print(env.action_space)             #查看MountainCar-v0的动作空间

Discrete(3)

print(env.action_space.n)            #查看离散动作空间的动作个数

3

上述代码运行结果：

3、测试代码

（gym version = 0.25.2）
大致认识了MountainCar-v0环境后，我们可以跑一下测试代码了：

import gym                                               #导入gym
env = gym.make("MountainCar-v0")                     #导入环境MountainCar-v0，你也可以试试其他环境，比如CartPole-v0等
env.reset()                                             #初始化环境
for step in range(1000):                                #开始交互env.render()                                       #env.render()方法用于显示环境状态，渲染画面action = env.action_space.sample()                  #利用env.action_space.sample()方法在动作空间中随机抽取一个动作，并把这个动作赋给actionobservation, reward, done, info = env.step(action)   #把动作提交给环境，并存储环境反馈的信息print(observation, reward, done, info)               #打印环境反馈的信息
env.close()                                             #env.close()用于关闭显示窗口，应和env.render()成对存在，确保程序正常结束并释    放资源

运行结果如下：

4、第1个实验的完整代码

注意：下列代码请在gym 0.25.2下运行
目前而言，我们没有介绍任何RL算法，因此这个实验只是一张gym环境的体验卡。
下列代码中BespokeAgent类并不是一个真正意义的智能体，由代码可见，他里面只包含了一些给定的数学表达式，因此他做出的动作只是靠这些表达式进行的，并没有实现真正的学习。因此下列代码只是一个让我们体会agent-env交互的体验代码。不建议直接复制粘贴，动手敲一敲，仔细读一下，会有自己的体会。

完整代码：

import gym
import numpy as npenv = gym.make("MountainCar-v0")                                                                   #构建实验环境class BespokeAgent:                                                                              #自定义的智能体类def __init__(self, env):pass                                                                                   def decide(self, observation):                                                              #决策position,velocity = observationlb = min(-0.09 * (position + 0.25) ** 2 + 0.03, 0.3 * (position + 0.9) ** 4 -0.008)ub = -0.07 * (position + 0.38) ** 2 +0.07if lb < velocity <ub:action = 2else:action = 0return actiondef learn(self, *args):                                                                        #学习passdef play_montecarlo(env, agent, render=False, train=False):episode_reward = 0.observation = env.reset()while True:if render:env.render()action = agent.decide(observation)next_observation, reward, done, _ = env.step(action)episode_reward += rewardif train:agent.learn(observation, action, reward, done)if done:breakobservation = next_observationreturn episode_rewardagent = BespokeAgent(env)
env.reset(seed=0)                                                              #重置一个回合，设置了一个随机数种子，只是为了方便复现实验结果，通常可以把seed=0删掉episode_reward = play_montecarlo(env, agent, render=True)
print("回合奖励={}".format(episode_reward))episode_rewards = [play_montecarlo(env, agent) for _ in range(100)]          #为了评估智能体性能求出连续交互100回合的平均奖励
print("平均回合奖励={}".format(np.mean(episode_rewards)))
env.close()   #关闭环境

注意：小车上山环境有一个参考的回合奖励值-110，如果连续 100 个回合的平均回合奖励大于-110，则认为这个任务被解决了。BespokeAgent 类对应的策略的平均回合奖励就在-110左右。测试智能体在 Gym 库中某个任务的性能时，习惯而言，一般最关心 100 个回合的平均回合奖励。当任务的连续 100 个回合的奖励大于一个指定值时，则认为这个任务被解决了。但实际上不是所有的任务都被指定了回合奖励值。对于没有指定值的任务，就无所谓了。

运行结果：

程序运行完后在Python Console里会打印出平均回合奖励：

DRL深度强化学习代码实战1——MountainCar-v0小车成功登顶相关推荐

首个深度强化学习AI，能控制核聚变，成功登上《Nature》
编译 | 禾木木出品 | AI科技大本营(ID:rgznai100) 最近,DeepMind 开发出了世界上第一个深度强化学习 AI ,可以在模拟环境和真正的核聚变装置中实现对等离子体的自主控制. ...
【ICML2021】 9篇RL论文作者汪昭然：构建“元宇宙”和理论基础，让深度强化学习从虚拟走进现实...
深度强化学习实验室官网:http://www.neurondance.com/ 论坛:http://deeprl.neurondance.com/ 来源:转载自AI科技评论作者 | 陈彩娴深度强 ...
汪昭然：构建“元宇宙”和理论基础，让深度强化学习从虚拟走进现实
作者 | 陈彩娴深度强化学习的故事,可以追溯到2015年: 当时,位于英国伦敦的一家小公司 DeepMind 在<Nature>上发表了一篇文章"Human-level con ...
真的超越了波士顿动力！深度强化学习打造的 ANYmal 登上 Science 子刊
编译:机器之心深度强化学习开发出的机器人模型通常很难应用到真实环境中,因此机器人开发中鲜少使用该技术.然而这已经板上钉钉了吗?在两天前引发人工智能界关注的 ANYmal 机器人中,其机动性和适应性看 ...
【经典书籍】深度强化学习实战（附最新PDF和源代码下载）
关注上方"深度学习技术前沿",选择"星标公众号", 资源干货,第一时间送达! 深度强化学习可以说是人工智能领域现在最热门的方向,吸引了众多该领域优秀的科学家去发 ...
【2022·深度强化学习课程】深度强化学习极简入门与Pytorch实战
课程名称:深度强化学习极简入门与Pytorch实战课程内容:强化学习基础理论,Python和深度学习编程基础.深度强化学习理论与编程实战课程地址:https://edu.csdn.net/cour ...
【Tensorflow教程笔记】深度强化学习（DRL）
基础 TensorFlow 基础 TensorFlow 模型建立与训练基础示例:多层感知机(MLP) 卷积神经网络(CNN) 循环神经网络(RNN) 深度强化学习(DRL) Keras Pipeli ...
基于深度强化学习的车道线检测和定位（Deep reinforcement learning based lane detection and localization）论文解读+代码复现
之前读过这篇论文,导师说要复现,这里记录一下.废话不多说,再重读一下论文. 注:非一字一句翻译.个人理解,一定偏颇. 基于深度强化学习的车道检测和定位官方源码下载:https://github.co ...
深度强化学习（DRL）一：入门篇
目录前言一.强化学习(RL)的基本概念二.主要强化学习算法 2.1 Qlearning 2.2 Deep-Qlearning 2.3 Double-DQN 2.4 Sarsa 2.5 Sarsa ...

DRL深度强化学习代码实战1——MountainCar-v0小车成功登顶

0、实验环境和包版本

1、初步了解Gym

2、强化学习代码框架

2.1、认识环境

2.2、观测空间

2.3、动作空间

3、测试代码

4、第1个实验的完整代码

DRL深度强化学习代码实战1——MountainCar-v0小车成功登顶相关推荐

最新文章

热门文章

DRL深度强化学习代码实战1——MountainCar-v0小车成功登顶

0、 实验环境和包版本

1、初步了解Gym

2、 强化学习代码框架

2.1、 认识环境

2.2、 观测空间

2.3、 动作空间

3、 测试代码

4、 第1个实验的完整代码

DRL深度强化学习代码实战1——MountainCar-v0小车成功登顶相关推荐

最新文章

热门文章

0、实验环境和包版本

2、强化学习代码框架

2.1、认识环境

2.2、观测空间

2.3、动作空间

3、测试代码

4、第1个实验的完整代码