2：pytorch深度强化学习落地：以打乒乓小游戏为例

前几天买的新书《深度强化学习落地指南》，今天收到了，迫不及待的阅读起来。作者将深度强化学习应用落地分为七步，1、需求分析；2、动作空间设计；3、状态空间设计；4、汇报函数设计；5、算法选择；6、训练调试；7、性能冲刺。读罢，深受启发，总想找个例子实践一下。

思来想去，记得小时候在掌机上玩过一个打乒乓球的小游戏：从上面以一个角度落下来一个小球，遇到屏幕边界后会反弹，底部有一个由方格组成的球拍，玩家移动球拍，接住球得分，接不住则游戏结束。于是，我就想，能不能设计一个神经网络，通过训练使这个智能体学会玩这个游戏？查了一下，网上的素材，尤其是算法方面的素材非常多，典型的如：
Deep Reinforcement Learning超简单入门项目 Pytorch实现接水果游戏AI
实现起来难度不大，于是决定按照《深度强化学习落地指南》这本书的指导，一步一步的实践利用pytorch实现深度强化学习的过程。

一、需求分析

一问是不是：打乒乓的小游戏，是一个典型的单智能体和环境交互的强化学习问题。乒乓球的状态随时间按一定规律运动，玩家每个时间间隔可以做出一个动作，每个动作有左、右两个选择。二问值不值：这个一个运算量要求不大的小例子，以学习和实践为主，主要是体验强化学习、深度学习落地的过程。三问能不能：场景固定、数据廉价。四问边界在哪里：这样一个简单的问题，不存在模块划分的问题，主要决策也只有控制动作这一个问题。

二、动作空间设计

动作空间在事实上决定了任何算法所能达到的性能上限：对于打乒乓这个小游戏而言，动作就两个，移动底下的球拍，朝左运动或者朝右运动。这是一个离散的取值，分别定义为0和1。

三、状态空间设计

状态信息代表了Agent所感知的环境信息及其动态变化：对于打乒乓这个小游戏而言，完整的状态信息就是以像素为代表的整个方格。在这里，我们采用留空式空间编码，可以参考用10*8的一个矩阵来表示，前面9层代表球落的空间，最后一层用3个连续的1代表球拍的位置。如下图所示：
在这里插入图片描述

四、回报函数设计

回报信号是人与算法沟通的桥梁：对于打乒乓这个小游戏，回报就是要让底下的三个球拍接住落下来的小球，接住得1分，接不住扣1分。

读到这里，我们就可以开始动手编程了。结合前面写的面向对象编程，我们可以设计一个PingpongEnv类，在这个类里面，我们要首先定义reset方法，用来初始化状态空间和球拍的位置。接着，定义个step方法，用来定义当输入一个动作之后，对状态空间的变化。然后，通过判断球落地还是落到拍子上，确定本次移动的回报值。

class PingpongEnv:
    def __init__(self):
        self.reset()
        
    def reset(self):
        game = np.zeros((10,8))
        game[9,3:6] = 1.
        self.state = game
        self.t = 0
        self.done = False
        return self.state[np.newaxis,:].copy()
    
    def step(self, action):
        reward = 0.
        game = self.state
        
        if self.done:
            print('Call step after env is done')
            
        if self.t==200:
            self.done = True
            return game[np.newaxis,:].copy(),10,self.done
        
        # 根据action移动盘子
        if action  == 0 and game[9][0]!=1:
            game[9][0:7] = game[9][1:8].copy()#向左移动
            game[9][7] = 0