用飞桨深度强化学习框架PARL来深度强化学习《明日方舟》

每个游戏玩家都有一个梦，希望自己在虚拟世界中成为万众瞩目、无所不能的英雄。然后…然后…闹钟响了梦醒了，又到了挤地铁上班的时间。

不过，在这个项目中，我将带大家暂时忘却现实的烦恼，用飞桨深度强化学习框架PARL来实现这个“英雄梦”!先放效果图：

知识回顾

大家是不是迫不及待了呢？且慢，要实现《明日方舟》游戏的深度强化学习，还是先让我带大家回顾一下深度强化学习算法历史。DQN是深度强化学习算法开山之作，在经典街机游戏上取得了非常好的效果。它使用了ReplyMemory来存储和回放经验，这是Off-policy类型算法的常用技巧。但是，DQN在应对手机游戏时，能力就不够看了。于是我把目光投向了更为强大的算法--- A3C。

A3C算法与DQN不同，它设计了异步多线程的Actor-Critic，每个Agent在自己的线程中运行，然后全局共享学习到的网络参数。这样，每时每刻都能有大量的交互数据，并且这些多线程采集到的数据没有关联性(关联性问题：请参考DDQN算法原理)。因此，A3C算法通过“异步多线程+共享全局参数”达到了和ReplyMemory类似的效果。而且，它既有大量数据可以解决训练过程不稳定问题，同时又解决了参数关联性的问题。

在经典算法PG中，我们的Agent又被称为Actor，Actor对于一个特定的任务，都有自己的一个策略π。策略π通常用一个神经网络表示，其参数为θ。从一个特定的状态State出发，一直到任务的结束，被称为一个完整的Episode。在每一步，我们都能获得一个奖励r，一个完整的任务所获得的最终奖励被称为R。

如果我们用Q函数来预估未来的累积奖励，同时创建一个Critic网络来计算Q函数值，那么我们就得到了Actor-Critic方法。

Q函数在A3C里的主要作用是增加一个基线，使得反馈有正有负，这里的基线通常用状态价值函数V来表示。但是，当我们应用这样的方法，则需要同时计算Q函数和V函数，这并不容易。Q函数可以用“Step t+1的V函数”加上“从Step t到Step t+1的r”来代替。这样，我们就可以得到用V来表示的Q值计算，我们一般称为Advantage(优势函数)，此时的Critic网络变为计算优势函数A的网络。

A3C是Asynchronous Advantage Actor-Critic的缩写，中文翻译为异步的优势动作评价算法。其中，Advantage就是指优势函数A。因此，从名字这里我们可以解读出来A3C实质就是求解πθ网络和Aπ(s, a)网络。

在A3C算法论文中，论文作者对比了四种算法——异步Sarsa、异步Q-Learning、DQN和A3C。论文发表后，各路算法大神验证一个问题——是异步更新让算法表现优于其他算法？。结果非常有趣：多线程是A3C算法快的原因，但是”异步更新“反而是它的缺点。于是，科学家提出同步更新算法A2C(Advantage Actor-Critic)，让它可以更有效利用CPU资源。

PS：算法大神照样被打脸，啪啪啪!

在下面部分，我会先对PARL库内置的A2C算法进行简单解读，这样大家在看项目实践部分时，就能少阅读一些代码。

Learner

这个类有意思的地方是，PARL库用了A3C的名字。原因是A2C和A3C是同源算法。它们实现上的主要区别是step函数(后面会讲到)。

env = gym.make(config[ 'env_name'])

env = wrap_deepmind(env, dim=config[ 'env_dim'], obs_format= 'NCHW')

obs_shape = env.observation_space.shape

act_dim = env.action_space.n

self.config[ 'obs_shape'] = obs_shape

self.config[ 'act_dim'] = act_dim

model = AtariModel(act_dim)

algorithm = parl.algorithms.A3C(

model, vf_loss_coeff=config[ 'vf_loss_coeff'])

self.agent = AtariAgent(algorithm, config)

create_actors

这段代码有意思的地方是，它把自己连接到了XPARL集群，然后去执行run_remote_sample。阅读过DQN源码的同学应该很好理解，它的意思就是在独立进程运行“取样”。

defcreate_actors(self):

# 先把自己连接到XPARL集群上去

parl.connect(self.config[ 'master_address'])

fori insix.moves.range(self.config[ 'actor_num']):

...

remote_thread = threading.Thread(

# 在工作线程中运行run_remote_sample函数

# 通过params_queue传递模型的参数

target=self.run_remote_sample, args=(params_queue, ))

remote_thread.setDaemon( True)

remote_thread.start

...

step函数

step函数是A2C算法中最重要、独特的函数，作用是同步等待更新操作。因为A2C算法会同步等待所有Agent(Actor)完成一轮训练后，把π网络的参数θ同步上来，更新全局的π网络参数。

Actor函数

注解@parl.remote_class表明Actor类是在独立的本机进程中执行(因为A2C是利用本机多CPU)。通过两行命令部署了PARL分布式集群，Actor实际是在远程server中运行了。

注意，Actor的init方法中保存了env数组，用同样的参数实例化了模型，用同样的模型实例化了算法并作为参数传入到了Agent中。

@parl.remote_class

classActor(object):

def__init__(self, config):

...

# Actor保存了env数组

self.envs = []

for_ inrange(config[ 'env_num']):

env = gym.make(config[ 'env_name'])

env = wrap_deepmind(env, dim=config[ 'env_dim'], obs_format= 'NCHW')

self.envs.append(env)

...

model = AtariModel(act_dim)

algorithm = parl.algorithms.A3C(

model, vf_loss_coeff=config[ 'vf_loss_coeff'])

self.agent = AtariAgent(algorithm, config)

大家还要关注的点是，每个Actor对应一个Agent。

sample函数

Actor中的sample函数会调用Agent的sample函数和Agent的value函数来分别更新本地的π网络和v网络，最终返回sample_data给中心节点。

...

actions_batch, values_batch = self.agent.sample(np.stack(self.obs_batch))

...

next_value = self.agent.value(next_obs)

...

sample_data的数据结构：

sample_data[ 'obs'].extend(env_sample_data[env_id][ 'obs'])

sample_data[ 'actions'].extend(env_sample_data[env_id][ 'actions'])

sample_data[ 'advantages'].extend(advantages)

sample_data[ 'target_values'].extend(target_values)

其中，优势函数的的计算如下：

# gae：generalized advantage estimator

advantages = calc_gae(rewards, values, next_value,

self.config[ 'gamma'],

self.config[ 'lambda'])

target_values = advantages + values

VectorEnv函数

这个类是PARL对env环境的封装。我们的模拟真机环境，也采用了同样的定义，主要是为了同时跑多个环境，增加并行计算的效率，如下所示：

classVectorEnv(object):

def__init__(self, envs):

defreset(self):

...

defstep(self, actions):

# env需要实现step方法

obs, reward, done, info = self.envs[env_id].step(actions[env_id])

...

ifdone:

# env需要实现reset方法

obs = self.envs[env_id].reset

...

returnobs_batch, reward_batch, done_batch, info_batch

模拟器的源数据是由此类中的step方法批量返回。

实战编程

1.游戏模拟器编写&训练

新建《明日方舟》模拟器项目：

ArKnight_A2C_Simulator

因为《明日方舟》是手机网络游戏，数据生产速度实在太慢了!!!为了提高训练速度，需要自己开发模拟器。用模拟器后速度可提升50-100倍。

修改Learner的初始化方法：

#=========== Create Agent ==========

game = ArKnights

env = PMGE(game)

obs_shape = ( 3, 108, 192)

act_dim = 650

定义新的env.py：

classPMGE(object):

def__init__(self, game):

self.game = game

defstep(self, action):

# 模拟器简化了状态判断

# 实际项目应该实时生成：当前屏幕--> stateCode 的关系

s1 = [ self.game.stateCode ]

# 产生状态变化

self.game.act(action, s1)

reward = self.game.getScore(s1)

isOver = self.game.gameOver

next_obs = self.game.render

# 为了匹配标准的API

returnnext_obs, reward, isOver, 0

defreset(self):

returnself.game.reset

修改Actor：

classActor(object):

def__init__(self, config):

self.config = config

self.envs = []

for_ inrange(config[ 'env_num']):

game = ArKnights

env = PMGE(game)

self.envs.append(env)

self.vector_env = VectorEnv(self.envs)

self.obs_batch = self.vector_env.reset

model = Model(config[ 'act_dim'])

algorithm = parl.algorithms.A3C(

model, vf_loss_coeff=config[ 'vf_loss_coeff'])

self.agent = Agent(algorithm, config)

定义训练用的模拟环境：

classArKnights(object):

def__init__(self):

"""

游戏《明日方舟》智能体定义

"""

self.stateCode = 990

# 1920x1080 ----- 1920/80 x 1080/40 = 24x27

self.tap_dim = 24* 27

self.swipe_dim = 4# 上下左右

defrender(self):

imgDir = IMAGE_DIR + str(self.stateCode) + '/'

filenames = os.listdir(imgDir)

# 在stateCode目录下随机取一张图片

filename = random.choice(filenames)

returnself.transform_img(imgDir + filename)

defact(self, action, stateCode):

ifstateCode[ 0] == 990:

ifaction in[ 442, 443, 444, 445, 466, 467, 468, 469]:

self.stateCode = 970

ifstateCode[ 0] == 970:

ifaction in[ 111, 112, 113, 114, 115,

135, 136, 137, 138, 139,

159, 160, 161, 162, 163,

183, 184, 185, 186, 187,

207, 208, 209, 210, 211]:

self.stateCode = 965

defgetScore(self, s1):

# 状态没变扣一分

ifs1[ 0] == self.stateCode:

return-1

return1

defgameOver(self):

code = self.stateCode

# if (code == 910 or code == 1010):

# for debug 让算法快速收敛

if(code == 965):

returnTrue

returnFalse

defreset(self):

self.stateCode = 990

imgDir = IMAGE_DIR + str(self.stateCode) + '/'

filenames = os.listdir(imgDir)

# 在990目录下随机取一张图片

filename = random.choice(filenames)

returnself.transform_img(imgDir + filename)

deftransform_img(self, filepath):

# 直接读取 (h,w)

img = cv2.imread(filepath, cv2.IMREAD_COLOR)

# 将图片尺寸缩放道 (image, (w,h)) 192x108

img = cv2.resize(img, ( 192, 108))

# 因为cv2的数组长宽是反的，所以用numpy转置一下 (C,H,W)

img = np.transpose(img, ( 2, 0, 1))

obs = img.astype( 'float32')

returnobs

在模拟器中经过大约10万个steps，模型的loss就收敛了。

2.编写状态推理引擎

新建项目ARKNIGHT_CLASSIFY，使用残差神经网络对《明日方舟》中的主要游戏界面做了预定义。利用这个引擎，在真机部署的时候可以推断出当前游戏的state，用于计算reward和game over这两个重要参数。

3.评估强化学习模型

在深度强化学习中，效果评估非常重要，因为我们要知道算法从数据中学到了什么？

我们在第一步中得到了模型，在第二步中得到了真机环境下的reward和game over函数。

那么我们就要在真机环境中去测试。

deftest:

game = ArKnights

env = PMGE(game)

obs_shape = ( 3, 108, 192)

act_dim = 650

config[ 'obs_shape'] = obs_shape

config[ 'act_dim'] = act_dim

model = Model(act_dim)

algorithm = parl.algorithms.A3C(model, vf_loss_coeff=config[ 'vf_loss_coeff'])

agent = Agent(algorithm, config)

agent.restore( "./model_dir")

# 初始状态

obs = env.reset

MAX_STEP = 20

step = 0

whileTrue:

state_code = env.game.stateCode

action = agent.predict(obs)

obs, reward, isOver, _ = env.step(action)

next_state_code = env.game.stateCode

step += 1

logger.info( "evaluate state_code:{}, action:{} next_state_code:{}, reward:{}, isOver:{}".format(state_code, action, next_state_code, reward, isOver))

ifisOver orstep >MAX_STEP:

logger.info( "GameOver, state:{}".format(next_state_code))

break;

可以看到，我只用了2步，算法就成功达到了设定的终止状态[965]。新建部署项目ArKnight_A2C，把模型导入，效果如下：

4.模型和状态推理引擎部署到真机

定义真机环境：

importtime

importcv2

fromPIL importImage

importnumpy asnp

fromadbutil importAdbUtil

fromresnet importResNet

importpaddle

importpaddle.fluid asfluid

classArKnights(object):

def__init__(self):

self.adbutil = AdbUtil

# 加载推理模型

withfluid.dygraph.guard:

# 加载状态推断引擎

self.model = ResNet( 'resnet', 50)

#加载模型参数

model_state_dict, _ = fluid.load_dygraph( "arknights")

self.model.load_dict(model_state_dict)

self.model.eval

def_restart(self):

"""

打开游戏进程

如果已经打开，先关闭再重新打开

"""

self.adbutil.stopArKnights

self.adbutil.startArKnights

# 每隔1秒在屏幕中心点击1下，持续20秒

self.adbutil.taptap( 960, 540, 20, 1)

def_stop(self):

"""

关闭游戏进程

"""

self.adbutil.stopArKnights

defact(self, action):

# 点击动作code映射成动作

ifaction < 648:

x = (action % 24) * 80+ 40# 取余

y = (action // 24) * 40+ 20# 取商

self.adbutil.taptap(x,y, 1, 0.01) # x,y,count,frequency

elifaction == 648:

self.adbutil.rightswipeswipe( 2, 0.5)

elifaction == 649:

self.adbutil.leftswipeswipe( 2, 0.5)

else:

raise( "No such action error!"+ str(action))

time.sleep( 2) # 等动作执行完

defrender(self):

# TODO check shape

img = self.adbutil.screencap

img = img.resize(( 192, 108), Image.ANTIALIAS)

# 因为图片的数组长宽是反的，所以用numpy转置一下 (C,H,W)

img = np.transpose(img, ( 2, 0, 1))

obs = img.astype( 'float32')

returnobs

defreset(self):

self._restart

returnself.render

defgameOver(self):

state = self.inferState

print( "state"+str(state))

ifstate[ 0] == 965:

returnTrue

else:

returnFalse

definferState(self):

"""

图片推断

"""

...

这里的游戏状态推断引擎，就是ARKNIGHT_CLASSIFY项目输出的推理模型。有了状态的推理值，代码中的reward和game over就可以和真机环境匹配上。同时，用AdbUtil类来执行真实动作，就可以操作真机执行算法动作。最终真机运行效果如下(手机屏幕的变化请看视频)：

在这个文章中，我给大家展示了如何构建明日方舟的交互环境，以及如何通过PARL快速调用A3C算法实现并行训练，整体实现起来简单易懂。

看到这儿，大家是不是迫不及待地想要自己动手尝试!

“英雄们”，快用飞桨去实现你们的美梦吧，yyds(永远滴神)!