今天，DeepMind開源了一個內(nèi)部強化學(xué)習(xí)庫TRFL，用于在TensorFlow中編寫強化學(xué)習(xí)智能體。這個庫包含DeepMind開發(fā)的大量成功的agent的關(guān)鍵算法組件，對于強化學(xué)習(xí)智能體的再現(xiàn)研究很有用。

今天，DeepMind開源了一個新的高效的構(gòu)建模塊庫，用于在TensorFlow中編寫強化學(xué)習(xí)（RL）智能體。這個庫名為TRFL（發(fā)音為’truffle’），代表了DeepMind內(nèi)部用于大量非常成功的agent的關(guān)鍵算法組件集合，如DQN，DDPG和IMPALA（Importance Weighted Actor Learner Architecture）。

一個典型的深度強化學(xué)習(xí)agent由大量的交互組件組成：至少包括環(huán)境（environment）和一些表示價值（value）或策略（policy）的深層網(wǎng)絡(luò)，但它們通常也包括組件，例如環(huán)境的學(xué)習(xí)模型，偽獎勵函數(shù)或replay系統(tǒng)。

這些組件通常以微妙的方式相互作用（通常沒有在論文中詳細記錄），因此很難在如此龐大的計算圖中識別錯誤。OpenAI最近發(fā)表的一篇博客文章通過分析強化學(xué)習(xí)智能體的一些最流行的開源實現(xiàn)，凸顯了這個問題，他們發(fā)現(xiàn)10個實現(xiàn)中有6個“具有社區(qū)成員發(fā)現(xiàn)并被作者確認的小bug”。

解決這個問題的一種方法是通過開源的完整agent實現(xiàn)，幫助研究社區(qū)復(fù)現(xiàn)論文的結(jié)果。例如，我們最近發(fā)布了一種高度可擴展的分布式訓(xùn)練架構(gòu)IMPALA，使用V-trace agent探索在單個智能體上完成多種任務(wù)的挑戰(zhàn)。

這些大型agent代碼庫對于再現(xiàn)研究非常有用，但也很難修改和擴展。一種不同的、互補的方法是提供可靠的、經(jīng)過良好測試的通用構(gòu)建塊實現(xiàn)，可以在各種不同的RL智能體中使用。此外，通過將這些核心組件抽象到單個庫中，使用一致的API，可以更輕松地組合來自許多不同論文的創(chuàng)新想法。

TRFL庫包含實現(xiàn)經(jīng)典RL算法以及更前沿技術(shù)的許多函數(shù)。這里提供的損失函數(shù)和其他操作是在純TensorFlow中實現(xiàn)的。它們不是完整的算法，而是在構(gòu)建功能齊全的RL智能體時所需的特定于RL的數(shù)學(xué)運算實現(xiàn)。

對于value-based的強化學(xué)習(xí)，我們提供TensorFlow ops 用于在離散動作空間中學(xué)習(xí)，例如TD-learning，Sarsa， Q-learning及其變體，以及用于實現(xiàn)連續(xù)控制算法的操作，例如DPG。

TRFL庫還包含用于學(xué)習(xí)分配價值函數(shù)的ops。這些ops支持批處理，并通過將其輸入到TensorFlow Optimiser來返回可以最小化的損失。一些損失函數(shù)在批轉(zhuǎn)換運行（例如Sarsa，Q-learning......），其他一些損失在多批軌跡上運行（例如Q lambda，Retrace，......）。

對于基于策略的方法，TRFL提供實用程序，可以輕松實現(xiàn)A2C等在線方法，以及支持off-policy糾正技術(shù)，如v-trace。TRFL還支持連續(xù)動作空間中的策略梯度計算。

最后，TRFL還提供了UNREAL使用的輔助偽獎勵函數(shù)（pseudo-reward functions）的實現(xiàn)，我們發(fā)現(xiàn)它可以提高各個領(lǐng)域的數(shù)據(jù)效率。

這不是一次性的發(fā)布。由于TRFL庫在DeepMind內(nèi)部廣泛使用，因此我們將繼續(xù)維護它，并隨著時間的推移添加新功能。我們也渴望得到更廣泛的RL社區(qū)對這個庫的貢獻。

TRFL庫由DeepMind研究工程團隊創(chuàng)建。

開源獲取地址：

https://github.com/deepmind/trfl

開源代碼

安裝

可以使用以下命令從github直接從pip安裝TRFL：pip install git+git://github.com/deepmind/trfl.git

TRFL同時適用于TensorFlow的CPU和GPU版本，但它沒有將Tensorflow列為一個requirement，因此你需要單獨安裝Tensorflow和Tensorflow-probability。

用例

loss是代表損失的張量。對于Q-learning，它是預(yù)測的Q-values和TD targets之間的平方差的一半。

額外信息位于q_learning命名元組中，包括q_learning.td_error和q_learning.target。

大多數(shù)情況下，你可能只對loss感興趣：

該模塊中的所有損失函數(shù)使用上述約定返回損失張量和額外信息。

不同的函數(shù)可能有不同的額外字段。有關(guān)更多信息，請查看每個函數(shù)的文檔。