今天，谷歌宣布推出一個新的基于Tensorflow的強化學習框架，稱為Dopamine，旨在為強化學習研究人員提供靈活性、穩(wěn)定性和可重復性。這個強大的新框架或將推動強化學習研究取得根本性的新突破。

最近OpenAI在Dota 2上的表現(xiàn)，讓強化學習又大大地火了一把，但是OpenAI的強化學習訓練環(huán)境OpenAI Gym卻一直遭到不少抱怨，比如不太穩(wěn)定、更新沒有及時……

今天，谷歌宣布開源基于TensorFlow的強化學習框架——Dopamine，代碼現(xiàn)在就能在Github查看。

谷歌研究人員表示，他們開源的這個TensorFlow強化學習框架強調三點：靈活、穩(wěn)定和可重復性（reproducibility）。

為此，配套開源的還包括一個專用于視頻游戲訓練結果的平臺，以及四種不同的機器學習模型：DQN、C51、簡化版的Rainbow智能體和IQN（Implicit Quantile Network）。

為了實現(xiàn)可重復性，Github代碼包括Arcade Learning Environment支持的全部60個游戲的完整測試和訓練代碼，并遵循標準化經驗評估結果的最佳實踐。

除了開源這個增強學習框架，谷歌還推出了一個網站，允許開發(fā)人員將多個訓練中智能體的運行情況快速可視化。其他還有訓練好的模型、原始統(tǒng)計日志和TensorFlow event files，用于TensorBoard動態(tài)圖的繪制。

Dopamine框架：靈感來自大腦的多巴胺受體

強化學習（RL）研究在過去幾年取得了許多重大進展。強化學習的進步使得AI智能體能夠在一些游戲上超過人類，值得關注的例子包括DeepMind攻破Atari游戲的DQN，在圍棋中獲得矚目的AlphaGo和AlphaGo Zero，以及在Dota2對戰(zhàn)人類職業(yè)玩家的Open AI Five。

具體來說，在DQN中引入重放記憶（replay memories）可以利用先前agent的經驗，大規(guī)模的分布式訓練可以在多個workers之間分配學習過程，分布式的方法允許agent建模完整的分布，而不僅僅是建模它們的期望值，從而能夠學習更完整的世界。

這類進展非常重要，因為產生這些進展的算法也適用于其他領域，例如機器人技術。

通常，實現(xiàn)這類進展需要快速的迭代設計——通常沒有明確的方向——并破壞既定方法的結構。然而，大多數(shù)現(xiàn)有的RL框架不能同時提供靈活性和穩(wěn)定性，研究人員難以有效地迭代RL方法，進而探索新的研究方向，雖然這些新研究方向可能不會立即帶來明顯的好處。此外，從現(xiàn)有框架中復制結果常常太耗時，這可能導致后續(xù)的科學再現(xiàn)性問題。

今天，谷歌宣布推出一個新的基于Tensorflow的框架，稱為Dopamine，旨在為RL研究人員提供靈活性、穩(wěn)定性和可重復性。

這個平臺的靈感來自于大腦中獎勵動機行為的主要組成部分之一（多巴胺受體，dopamine receptor），這反映了神經科學和強化學習研究之間強大的歷史聯(lián)系，它的目的是使這種推測性的研究能夠推動根本性的發(fā)現(xiàn)。開源框架還包含一組colabs，說明如何使用這個框架。

易用性

清晰和簡潔是這個框架設計中的兩個關鍵考慮因素。谷歌提供了緊湊的代碼（大約15個Python files），并且有詳細的文檔記錄。這是通過專注于Arcade Learning環(huán)境（一個成熟的、易于理解的baseline）和4個value-based的agent來實現(xiàn)的，分別是：DQN, C51，Rainbow agent的一個簡化版本，以及Implicit Quantile Network agent，這是上個月剛在ICML大會上發(fā)表的。這種簡單性能幫助研究人員更容易理解agent的內部工作原理，并快速嘗試新的想法。

可重復性

谷歌尤其重視強化學習研究的可重復性（reproducibility）。他們?yōu)榇a提供了完整的測試覆蓋率；這些測試還可以作為文檔的附加形式。此外，他們的實驗框架遵循Machado et al. (2018)給出的建議，使用街機學習環(huán)境（Arcade Learning Environment）進行標準化經驗評估。

基準測試

對于新的研究人員來說，能夠快速地將他們的想法與已有的方法進行對比是很重要的。因此，我們在Arcade Learning Environment支持的60款游戲中提供了4個agent的完整訓練數(shù)據(jù)，這些數(shù)據(jù)可以作為Python pickle文件（用于通過我們的框架訓練的agent）和JSON數(shù)據(jù)文件（用于與在其他框架中訓練的agent進行比較）；此外，谷歌還開放了一個網站，在上面可以快速地查看所有60款游戲提供的agent的可視化訓練運行。

下圖是4個agent在Seaquest上的訓練，這是Arcade Learning Environment支持的Atari 2600游戲之一。

在Seaquest上，4個agent進行了訓練。x軸表示迭代，其中每次迭代是100萬幀（4.5小時的實時游戲）; y軸表示每場游戲獲得的平均分數(shù)。陰影區(qū)域顯示了5次獨立運行的置信區(qū)間。

谷歌還提供了來自這些agent的訓練好的深度網絡、原始統(tǒng)計日志以及用于使用Tensorboard繪圖的Tensorflow事件文件。這些都可以在官網下載。

開源獲取地址：

https://github.com/google/dopamine

其他主要強化學習框架

OpenAI Gym

2016 年 4 月 28 日，OpenAI 對外發(fā)布了強化學習開發(fā)平臺 OpenAI Gym。Gym 平臺的基本理念是，研究者建立自己的算法后，可以把該算法置于不同的環(huán)境中進行測試，然后把測試后的基本算法發(fā)布在 Gym 的平臺上，讓社區(qū)中的其他人看到。該平臺現(xiàn)在已經與一些開放資源人工智能工具，例如谷歌的 TensorFlow 展開合作。

在OpenAI Gym上訓練強化學習agent

OpenAI Gym 是一款用于研發(fā)和比較強化學習算法的工具包，它支持訓練智能體（agent）做任何事——從行走到玩Pong或圍棋之類的游戲，都在范圍中。

OpenAI Universe

2016 年 12 月，OpenAI發(fā)布 OpenAI Universe。 根據(jù)其官方博客的介紹，這是一個能在幾乎所有環(huán)境中衡量和訓練 AI 通用智能水平的開源平臺，當下的目標是讓 AI 智能體能像人一樣使用計算機。目前，Universe 已經有 1000 種訓練環(huán)境，由微軟、英偉達等公司參與建設。

Universe AI訓練平臺

Universe 通過一個通用的接口適用于各種場景：智能體通過捕捉屏幕的像素生成對鍵盤和鼠標的命令來操作遠程桌面。場景需要 VNC 服務器，universe 庫將智能體轉換為 VNC 客戶端。

OpenAI Gym Retro

這是OpenAI開源的用于游戲研究的完整版強化學習平臺 Gym Retro，支持的游戲從大約 70 多個Atari游戲和 30 多個世嘉游戲擴展到各種仿真器支持的 1000 多個游戲。

Gym Retro支持1000多個游戲

Gym Retro 用于研究強化學習算法及其泛化。RL 之前的研究主要集中在優(yōu)化 Agent 解決單個任務上。通過 Gym Retro，我們可以研究內部概念相似但外觀表現(xiàn)不同的游戲之間泛化的能力。

DeepMind Lab

就在OpenAI 剛剛宣布開源 Universe平臺后，DeepMind 也宣布將其 AI 核心平臺 DeepMind Lab 開源。該平臺將幾個不同的 AI 研究領域整合至一個環(huán)境下，方便研究人員測試 AI 智能體的導航、記憶和 3D 成像等能力。

DeepMind Lab

DeepMind Lab 是一個專為基于智能體的 AI 研究設計的，完全像 3D 游戲般的平臺。它從自己的視角，通過模擬智能體的眼睛進行觀察。場景呈現(xiàn)的視覺效果是科幻風格?？捎玫牟僮髂茏屩悄荏w環(huán)顧四周，并且以 3D 的形式移動。示例任務包括收集水果、走迷宮、穿越危險的通道且要避免從懸崖上墜落、使用發(fā)射臺在平臺間穿越、玩激光筆、以及快速學習并記住隨機生成的環(huán)境。

阿里Gym StarCraft

阿里去年開源了針對星際AI的研究平臺Gym StarCraft。在 Gym StarCraft 中，AI 和強化學習研究者可以非常方便地使用 Python 語言來進行深度強化學習智能 Agent 的開發(fā)，它底層完成了對 TorchCraft 和 OpenAI Gym 的封裝，支持基于 TensorFlow 和 Keras 等主流算法框架進行開發(fā)，僅需幾十行代碼即可完成一個基本的智能 Agent 的開發(fā)。

同時，為了便于評測智能 Agent 的有效性，Gym StarCraft 被集成在了 OpenAI Gym 這一主流的強化學習 AI 評測平臺中，支持世界各地的星際 AI 研究者基于它去進行公平、快捷的效果評估。