DeepMind發(fā)布強(qiáng)化學(xué)習(xí)庫(kù)RLax

RLax（發(fā)音為“ relax”）是建立在JAX之上的庫(kù)，它公開(kāi)了用于實(shí)施強(qiáng)化學(xué)習(xí)智能體的有用構(gòu)建塊。。
報(bào)道：深度強(qiáng)化學(xué)習(xí)實(shí)驗(yàn)室
作者：DeepRL
來(lái)源：Github/DeepMind

RLax及背景

強(qiáng)化學(xué)習(xí)主要用于研究學(xué)習(xí)系統(tǒng)（智能體）的問(wèn)題，該學(xué)習(xí)系統(tǒng)必須學(xué)習(xí)與環(huán)境進(jìn)行交互的信息。智能體和環(huán)境在不連續(xù)的步驟上進(jìn)行交互。在每個(gè)步驟中，智能體都會(huì)選擇一個(gè)動(dòng)作，并會(huì)提供一個(gè)返回的環(huán)境狀態(tài)（觀察）狀態(tài)（部分）和標(biāo)量反饋信號(hào)（獎(jiǎng)勵(lì)）。智能體的行為以行為的概率分布為特征，該分布取決于對(duì)環(huán)境（策略）的過(guò)去觀察。智能體尋求一種策略，該策略將從任何給定步驟中最大化從該點(diǎn)開(kāi)始（返回）將收集的折扣累積獎(jiǎng)勵(lì)。智能體策略或環(huán)境動(dòng)態(tài)本身通常是隨機(jī)的。在這種情況下，回報(bào)是一個(gè)隨機(jī)變量，并且通常將更精確的智能體策略指定為在智能體和環(huán)境的隨機(jī)性下最大化回報(bào)期望（值）的策略。

RLax（發(fā)音為“ relax”）是建立在JAX之上的庫(kù)，它公開(kāi)了用于實(shí)施強(qiáng)化學(xué)習(xí)智能體的有用構(gòu)建塊。

安裝與使用

可以使用以下命令從github直接使用pip安裝RLax：

pip install git+git://github.com/deepmind/rlax.git.

然后可以使用JAX的jax.jit函數(shù)為不同的硬件（例如CPU，GPU，TPU）及時(shí)編譯所有RLax代碼。

強(qiáng)化學(xué)習(xí)算法

增強(qiáng)學(xué)習(xí)算法包含三個(gè)原型系列：

• 那些估計(jì)狀態(tài)和動(dòng)作的價(jià)值，并通過(guò)檢查推斷策略的行為（例如，通過(guò)選擇估計(jì)值最高的動(dòng)作）
• 學(xué)習(xí)環(huán)境模型（能夠預(yù)測(cè)觀察結(jié)果和獎(jiǎng)勵(lì)），并通過(guò)計(jì)劃推斷策略。
• 那些參數(shù)化可以直接執(zhí)行的策略的參數(shù)，

無(wú)論如何，策略，價(jià)值或模型只是功能。在深度強(qiáng)化學(xué)習(xí)中，此類功能由神經(jīng)網(wǎng)絡(luò)表示。在這種情況下，通常將強(qiáng)化學(xué)習(xí)更新公式化為可區(qū)分的損失函數(shù)（類似于（非）監(jiān)督學(xué)習(xí)）。在自動(dòng)區(qū)分下，將恢復(fù)原始更新規(guī)則。

但是請(qǐng)注意，尤其是只有以正確的方式對(duì)輸入數(shù)據(jù)進(jìn)行采樣時(shí)，更新才有效。例如，僅當(dāng)輸入軌跡是當(dāng)前策略的無(wú)偏樣本時(shí)，策略梯度損失才有效。即數(shù)據(jù)是符合政策的。該庫(kù)無(wú)法檢查或強(qiáng)制執(zhí)行此類約束。但是，在函數(shù)的文檔字符串中提供了指向描述如何使用每種操作的論文的鏈接。

命名約定和開(kāi)發(fā)人員指南

我們?yōu)榕c單一經(jīng)驗(yàn)流交互的代理定義功能和操作。JAX構(gòu)造vmap可用于將這些相同的功能應(yīng)用于批處理（例如，支持重放和并行數(shù)據(jù)生成）。

許多功能在連續(xù)的時(shí)間步中考慮策略，行動(dòng)，獎(jiǎng)勵(lì)，價(jià)值，以便計(jì)算其輸出。在這種情況下，qm_t和tm1通常用于說(shuō)明每個(gè)輸入是在哪個(gè)步驟上生成的，例如：

• q_tm1：轉(zhuǎn)換的源狀態(tài)中的操作值。
• a_tm1：在源狀態(tài)下選擇的操作。
• r_t：在目標(biāo)狀態(tài)下收集的結(jié)果獎(jiǎng)勵(lì)。
• discount_t：與轉(zhuǎn)換關(guān)聯(lián)的折扣。
• q_t：目標(biāo)狀態(tài)下的操作值。

為每個(gè)功能提供了廣泛的測(cè)試。當(dāng)使用jax.jit編譯為XLA以及使用jax.vmap執(zhí)行批處理操作時(shí)，所有測(cè)試還應(yīng)驗(yàn)證rlax函數(shù)的輸出。

引用

@software{rlax2020github,
  author = {David Budden and Matteo Hessel and John Quan and Steven Kapturowski},
  title = {{RL}ax: {R}einforcement {L}earning in {JAX}},
  url = {http://github.com/deepmind/rlax},
  version = {0.0.1a0},
  year = {2020},
}

專注深度強(qiáng)化學(xué)習(xí)前沿技術(shù)干貨，論文，框架，學(xué)習(xí)路線等，歡迎關(guān)注微信公眾號(hào)。

審核編輯 黃昊宇