今天 DeepMind 宣布開源一個用于在 TensorFlow 環(huán)境中開發(fā)強化學習智能體的代碼庫，打包了許多有用的基礎組件。它的名字是 TRFL(讀作「truffle」) 。

　　DeepMind 自己用來開發(fā) DQN、DDPG 以及 IMPALA(重要性加權行動者-學習者架構)等知名強化學習技術的許多關鍵算法組件都包含在其中。

　　另一種開源路線

　　一個典型的深度強化學習智能體需要包含一組數(shù)目眾多的互動組件：首先起碼需要包括一個環(huán)境以及某種能表示值或者策略的深度神經網絡，然后很多時候還會包含學習到的環(huán)境的模型、偽反饋函數(shù)甚至一個回放系統(tǒng)等等。

　　這些組件互相之間的影響很微妙(而且如 Henderson 和他的同事在 https://arxiv.org/pdf/1709.06560.pdf 中指出，論文中常常并不會詳細說明這些影響是怎么樣的)，從而當計算圖變得很大的時候一旦出現(xiàn) bug 就很難進行定位并解決。OpenAI 近期的一篇博客也著重研究了這個問題，他們分析了某些最熱門的強化學習智能體的開源實現(xiàn)，發(fā)現(xiàn) 10 個中的 6 個都「由社區(qū)成員發(fā)現(xiàn)了微小的 bug 并得到了作者本人的確認」。

　　要解決這種問題，并幫助整個研究社區(qū)中的人順利復現(xiàn)論文中的結果，其中一種方法就是開源智能體的全套完整實現(xiàn)。比如，DeepMind 最近就開源了基于 IMPALA 的 v-trace 智能體的可拓展分布式實現(xiàn)。這種大規(guī)模的代碼庫對于研究結果的復現(xiàn)固然有幫助，但同時也難以修改并拓展。

　　另一種有所不同并且能起到補充作用的方法是提供可靠的、經過充分測試的通用基礎組件的實現(xiàn)，同一個構件也就可以在許多不同的強化學習智能體中反復使用。另一方面，在單個代碼庫中囊括了所有這些組件的抽象，然后可以用統(tǒng)一的 API 調用，也就讓研究人員可以更方便地組合不同文獻中閱讀到的不同的想法。

　　全功能的基礎組件

　　TRFL 庫包含了許多功能，可以實現(xiàn)經典強化學習算法以及更現(xiàn)代的算法。其中的損失函數(shù)以及許多其他操作都是完全在 TensorFlow 中實現(xiàn)的。它們并不是完整的算法，而是構建具有完整功能的強化學習智能體時必要的、也是強化學習專用的數(shù)學操作的代碼實現(xiàn)。

　　對于基于值的強化學習，DeepMind 的研究人員們也在 TRFL 庫中提供了各種 TensorFlow 操作，便于在離散的行動空間中學習，比如 TD 學習、Sarsa、Q-learning 以及它們的變體;當然也包括了用于實現(xiàn) DPG 之類的連續(xù)控制算法的操作。TRFL 庫中還包括了學習值分布函數(shù)的操作。這些操作支持批量計算，并且返回的損失值可以送入 TensorFlow 優(yōu)化器進行最小化。有一些損失值是針對不同的批之間的變化進行計算的(比如 Sarsa 和 Q-learning 等)，也有一些損失是針對成批的軌跡的(比如 Q-lambda、Retace 等)。

　　對于基于策略的方法，TRFL 庫中也同時提供了可以簡易實現(xiàn) A2C 等在線學習方法以及 v-trace 等離線策略校正方法的工具。TRFL 也支持連續(xù)動作空間中的策略梯度的計算。最后，TRFL 還提供了一個 Unreal 引擎中使用的輔助偽反饋函數(shù)的實現(xiàn)，DeepMind 的研究人員發(fā)現(xiàn)它能在許多不同的任務中提高數(shù)據(jù)效率。

　　宣告開源顯然并不是這個項目的終點。由于這個庫在 DeepMind 內部有著廣泛的應用，他們也會持續(xù)不斷地對它進行維護，并逐步增加新的功能。DeepMind 也非常期待強化學習社區(qū)中的更多人也參與到這個項目的貢獻中來。
　?。?a href="http://m.jinteng090.cn">邯鄲建站）