深度学习实战——强化学习与王者荣耀（腾讯开悟）

@李忆如

已于 2023-06-10 14:20:50 修改

阅读量5.6k

点赞数 12

分类专栏：机器学习理论文章标签：深度学习 python 人工智能神经网络算法

于 2023-06-10 14:11:26 首次发布

本文链接：https://blog.csdn.net/weixin_51426083/article/details/131056928

版权

机器学习理论专栏收录该内容

6 篇文章 4 订阅

订阅专栏

忆如完整项目/代码详见github：https://github.com/yiru1225（转载标明出处勿白嫖 star for projects thanks）

系列文章目录

本系列博客重点在深度学习相关实践（有问题欢迎在评论区讨论指出，或直接私信联系我）。

第一章深度学习实战——不同方式的模型部署（CNN、Yolo）_如何部署cnn_@李忆如的博客

第二章深度学习实战——卷积神经网络/CNN实践(LeNet、Resnet)_@李忆如的博客-CSDN博客

第三章深度学习实战——循环神经网络（RNN、LSTM、GRU）_@李忆如的博客-CSDN博客

第四章深度学习实战——模型推理优化（模型压缩与加速）_@李忆如的博客-CSDN博客

第五章深度学习实战——强化学习与王者荣耀（腾讯开悟）

梗概

本篇博客主要介绍强化学习与腾讯AI Lab在MOBA（王者荣耀）中提出的强化学习系统框架。

一、强化学习综述与PPO算法解析

由于开悟平台上的实践（智能体训练与对战）实际上是强化学习的经典任务，故本章先对强化学习的核心概念做一定引入，并对本次实验开悟使用的算法PPO进行解析。

1.强化学习综述

1.1 强化学习简介

强化学习是机器学习的一个分支领域，旨在设计智能体（agent）能够通过与环境的交互学习最优行为策略。与监督学习和无监督学习不同，强化学习并不依赖于标记好的训练数据或明确的目标函数，而是通过与环境的反馈进行学习，即强化学习是第三种机器学习范式。

Reinforcement learning is learning what to do—how to map situations to actions——so as to maximize a numerical reward signal. ----- Richard S. Sutton and Andrew G. Barto 《Reinforcement Learning: An Introduction II》

图1 监督学习-无监督学习-强化学习划分

在强化学习基本流程中，智能体通过观察环境的状态，采取行动，然后接收环境的奖励或惩罚来评估行动的好坏。目标是通过与环境的交互，使智能体学会选择能够最大化累积奖励的行动序列，即学习到最优的策略。强化学习的关键在于将长期的累积奖励最大化，而不仅仅是针对单个行动的即时奖励。

综上，我们可以总结出强化学习的核心特点如下：

没有监督者，只有一个奖励信号
反馈是延迟的而非即时
具有时间序列性质
智能体的行为会影响后续的数据

1.2 强化学习的要素与架构

强化学习系统一般包含四个核心要素如下：

状态（State）：环境的描述，反映了智能体与环境的交互情况。
行动（Action）：智能体在某个状态下采取的动作。
奖励（Reward）：环境根据智能体的行动给予的反馈信号，表示行动的好坏。
策略（Policy）：智能体在给定状态下选择行动的策略，可以是确定性策略（确定选择一个行动）或概率性策略（选择行动的概率分布）。

Tips：强化学习系统还包含“智能体（agent）”与“环境（environment）”两大部分。

强化学习系统核心部分详解如表2：

表2 强化学习核心部分详解

Ⅰ、策略（Policy）：

策略定义了智能体对于给定状态所做出的行为，即一个从状态到行为的映射，事实上状态包括了环境状态和智能体状态，这里我们是从智能体出发的，也就是指智能体所感知到的状态。因此我们可以知道策略是强化学习系统的核心，因为我们完全可以通过策略来确定每个状态下的行为。我们将策略的特点总结为以下三点：

策略定义智能体的行为
它是从状态到行为的映射
策略本身可以是具体的映射也可以是随机的分布

Ⅱ、奖励（Reward）：

奖励信号定义了强化学习问题的目标，在每个时间步骤内，环境向强化学习发出的标量值即为奖励，它能定义智能体表现好坏，类似人类感受到快乐或是痛苦。因此我们可以体会到奖励信号是影响策略的主要因素。我们将奖励的特点总结为以下三点：

奖励是一个标量的反馈信号
它能表征在某一步智能体的表现如何
智能体的任务就是使得一个时段内积累的总奖励值最大

Ⅲ、价值（Value）：

价值（函数），与奖励的即时性不同，价值函数是对长期收益的衡量，而不仅仅盯着眼前的奖励。结合强化学习的目的，我们能很明确地体会到价值函数的重要性，事实上在很长的一段时间内，强化学习的研究就是集中在对价值的估计。我们将价值函数的特点总结为以下三点：

价值函数是对未来奖励的预测
它可以评估状态的好坏
价值函数的计算需要对状态之间的转移进行分析

Ⅳ、环境（模型）

模型（Model），是对环境的模拟，如当给出了状态与行为后，有了模型我们就可以预测接下来的状态和对应的奖励。但我们要注意的一点是并非所有的强化学习系统都需要有一个模型，因此会有基于模型（Model-based）、不基于模型（Model-free）两种不同的方法，不基于模型的方法主要是通过对策略和价值函数分析进行学习。我们将模型的特点总结为以下两点：

模型可以预测环境下一步的表现
表现具体可由预测的状态和奖励来反映

结合表2，一个实际的例子如图2所示，对应的元素/部分如表3所示：

图2 强化学习示例

表3 示例-元素/部分对应

名称	对应上图2中的内容
agent	鸟
environment	鸟周围的环境，水管、天空（包括小鸟本身）
state	拍个照（目前的像素）
action	向上向下动作
reward	距离（越远奖励越高）

根据强化学习定义及元素/部分解析，我们可以总结其核心架构如图3所示：

图3 强化学习核心架构

分析：如图3所示，强化学习基本流程即从当前的状态st出发，在做出一个行为At之后，对环境产生了一些影响，它首先给agent反馈了一个奖励信号Rt，接下来我们的agent可以从中发现一些信息，进而进入一个新的状态，再做出新的行为，形成一个循环。

1.3 强化学习应用场景

强化学习在众多领域有着广泛的应用，它提供了一种学习最优决策的框架，使得智能体能够通过与环境的交互不断优化自己的行为，逐步提高性能，常见应用场景如图4所示，一些具体的应用及其核心实现如图5所示：

图4 强化学习常见应用场景

图5 强化学习具体应用及其核心实现样例

1.4 强化学习算法综述

强化学习算法按照不同的标准可以有几种划分规则如图表1，一些常见算法如图6所示：

图表1 强化学习算法划分规则

Ⅰ、按照环境是否已知划分：免模型学习（Model-Free） vs 有模型学习（Model-Based）

Model-free就是不去学习和理解环境，环境给出什么信息就是什么信息，常见的方法有policy optimization和Q-learning。
Model-Based是去学习和理解环境，学会用一个模型来模拟环境，通过模拟的环境来得到反馈。Model-Based相当于比Model-Free多了模拟环境这个环节，通过模拟环境预判接下来会发生的所有情况，然后选择最佳的情况。

Tips：一般情况下，环境都是不可知的，所以这里主要研究无模型问题。

Ⅱ、按照学习方式划分：在线策略（On-Policy） vs 离线策略（Off-Policy）

On-Policy指agent必须本人在场，并且一定是本人边玩边学习。典型的算法为Sarsa。
Off-Policy是指agent可以选择自己玩，也可以选择看着别人玩，通过看别人玩来学习别人的行为准则，离线学习同样是从过往的经验中学习，但是这些过往的经历没必要是自己的经历，任何人的经历都能被学习，也没有必要是边玩边学习，玩和学习的时间可以不同步。典型的方法是Q-learning，以及Deep-Q-Network。

Ⅲ、按照学习目标划分：基于策略（Policy-Based）和基于价值（Value-Based）。

Policy-Based的方法直接输出下一步动作的概率，根据概率来选取动作。但不一定概率最高就会选择该动作，还是会从整体进行考虑。适用于非连续和连续的动作。常见的方法有Policy gradients。
Value-Based的方法输出的是动作的价值，选择价值最高的动作。适用于非连续的动作。常见的方法有Q-learning、Deep Q Network和Sarsa。

Tips：更为厉害的方法是二者的结合：Actor-Critic，Actor根据概率做出动作，Critic根据动作给出价值，从而加速学习过程，常见的有A2C，A3C，DDPG等。

图6 强化学习常见算法

2.PPO算法

参考论文：Proximal Policy Optimization Algorithms (arxiv.org)

由于本次实验平台（开悟）是基于PPO（Proximal Policy Optimization）算法训练智能体，故我们在本部分仅以PPO算法作为强化学习算法特例做解析，根据1.4综述（图表1规则）与图6划分，我们可以看到PPO算法为Model-Free下的基于策略的强化学习算法。

2.1 PPO算法简介

PPO由OPENAI在2017年提出，核心原理在学习并优化策略以最大化累积奖励。其是基于TRPO（Trust Region Policy Optimization）算法的改进，通过一种称为“近端策略优化”（proximal policy optimization）的方式来更新策略。目标是在每次更新时保持策略的改变幅度在一个可接受的范围内，以确保稳定性和可靠性。

PPO算法的主要思想是通过两个关键的步骤来优化策略：采样数据和策略更新。

采样数据：在PPO算法中，智能体与环境进行交互来收集数据。通过执行当前策略，并根据环境的反馈（奖励信号）收集一定数量的轨迹或经验。
策略更新：使用采样数据来更新策略。PPO算法的核心是定义一个目标函数，该函数衡量当前策略与新策略之间的差异，并通过最大化目标函数来更新策略。

PPO算法的优点包括简单易实现、相对较快的收敛速度以及对超参数不敏感。它已被广泛应用于各种强化学习任务，包括机器人控制、游戏玩耍和自动驾驶等领域。

Tips：需要注意的是，PPO算法有多个变体，如PPO1和PPO2，它们在具体策略更新步骤和近端剪切参数的定义上略有不同，但核心思想都是基于近端策略优化进行策略更新。

2.2 PPO算法详解

2.1中简单介绍了PPO算法的核心原理与流程，其详细演变过程如图7所示：

图7 PPO算法演变过程

传统策略梯度算法

首先根据图6与2.1我们知道PPO为概率梯度强化算法，传统的策略梯度算法与神经网络的优化思路相同，通过参数θ优化目标函数，梯度近似如式1，更新规则如式2：

$\begin{aligned} \nabla_{\theta} J(\theta) & \approx \frac{1}{m} \sum_{i=1}^{m} \nabla_{\theta} \log P\left(\tau^{(i)} ; \theta\right) R\left(\tau^{(i)}\right) \\ = & \frac{1}{m} \sum_{i=1}^{m}\left(\sum_{t^{(i)}=0}^{T^{(i)}} \nabla_{\theta} \log \pi_{\theta}\left(a_{t^{(i)}} \mid s_{t^{(i)}}\right)\right) R\left(\tau^{(i)}\right) \\ & \approx \frac{1}{n} \sum_{i=1}^{n}\left(\nabla_{\theta} \log \log \pi_{\theta}\left(a_{t^{(i)}} \mid s_{t^{(i)}}\right) R\left(t^{(i)}\right)\right. \end{aligned}$

式1 传统梯度RL算法梯度近似

$\theta \leftarrow \theta+\alpha \nabla_{\theta} J(\theta)$

式2 传统梯度RL算法更新规则

分析：在传统策略梯度强化学习算法中，根据式1可以完全计算梯度（已知策略 $\pi_{\theta}$ ），并使用式2更新对θ调整优化，直至迭代到最优策略。

补充：常见两种策略为Softmax策略和高斯策略。实际问题中损失函数定义为式3：

$L(a, s, r)=-\log \left(\pi_{\theta}(a \mid s)\right) r$

式3 传统梯度RL算法损失函数（实际问题）

自然策略梯度算法

在传统的策略梯度算法中，我们根据目标函数梯度和步长更新策略权重，这样的更新过程可能会出现两个常见的问题：

1、过冲（Overshooting）：更新错过了奖励峰值并落入了次优策略区域

2、下冲（Undershooting）：在梯度方向上采取过小的更新步长会导致收敛缓慢

为缓解/解决以上两个问题，自然策略梯度算法被提出，有两个核心优化如下，权重更新方案如式4所示，算法伪代码如图8所示：

1、考虑到策略对局部变化的敏感性，策略梯度由逆Fisher矩阵校正，而传统的梯度方法假定更新为欧几里得距离。

2、更新步长α具有适应梯度和局部敏感性的动态表达式，确保无论参数化如何，策略变化幅度为。在传统方法中，α通常设置为一些标准值，如0.1或0.01。

$\Delta \theta=\sqrt{\frac{2 \epsilon}{\nabla J(\theta)^{\top} F(\theta)^{-1} \nabla J(\theta)}} \tilde{\nabla} J(\theta)$

式4 自然策略梯度算法 - 权重更新方案

图8 自然策略梯度算法流程伪代码

信赖域策略优化算法（TRPO）

根据自然策略梯度算法的流程分析，实际上它存在以下三个主要缺陷：

1、近似值可能会违反KL约束，从而导致分析得出的步长过大，超出限制要求

2、矩阵 $F^{-1_{}}$ 的计算时间太长，是O(N^3)复杂度的运算

3、我们没有检查更新是否真的改进了策略。由于存在大量的近似过程，策略可能没有优化

因此，信赖域策略优化算法（TRPO）被提出，相对自然策略梯度算法，TRPO主要有三个改进，每个改进都解决了原始算法中的一个问题。TRPO的核心是利用单调改进定理，验证更新是否真正改进了我们的策略。

Ⅰ、共轭梯度法（conjugate gradient method）

我们知道自然策略梯度算法中计算Fisher矩阵是一个耗时且数值不稳定的过程。而引入共轭梯度法，这是一个近似 $F^{-1} \nabla \log _{\theta}(x)$ 乘积的数值过程，这样我们就可以避免计算逆矩阵。共轭梯度通常在||步内收敛，从而可以处理大矩阵。

Ⅱ、线搜索（line search）

虽然自然梯度策略中提供了给定KL散度约束的最佳步长，但由于存在较多的近似值，实际上可能不满足该约束。

TRPO 通过执行线搜索来解决此问题，通过不断地迭代减小更新的大小，直到第一个不违反约束的更新。这个过程可以看作是不断缩小信任区域，即我们相信更新可以实际改进目标的区域，线搜索伪代码如图9所示：

图9 线搜索伪代码

Ⅲ、改进检查

在TRPO中，我们并没有假设更新会提高替代优势 $\pounds {(\theta )}$ ，而是真正检查了它。尽管实际计算时需要根据旧策略计算优势，以及使用重要性抽样来调整概率，会花费一些时间，但验证更新是否真正改进了策略是有必要的。

近端策略优化算法（PPO）

TRPO算法解决了许多与自然策略梯度相关的问题，并获得了在RL任务上的广泛采用。但是，TRPO仍然存在一些缺点，特别是：

1、无法处理大参数矩阵：尽管使用了共轭梯度法，TRPO仍然难以处理大的 Fisher矩阵，即使它们不需要求逆

2、二阶优化很慢：TRPO的实际实现是基于约束的，需要计算上述Fisher矩阵，这大大减慢了更新过程。此外，我们不能利用一阶随机梯度优化器，例如ADAM

3、算法复杂：TRPO很难解释、实现和调试。当训练没有产生预期的结果时，确定如何提高性能可能会很麻烦

故PPO被提出，常见（变体）为PPO Penalty和PPO Clip（均在上述参考论文中提出）。

Ⅰ、PPO Penalty

TRPO在理论分析上推导出与KL散度相乘的惩罚项，但在实践中，这种惩罚往往过于严格，只产生非常小的更新。PPO通过设置目标散度 $\delta$ 的方式解决了这个问题，希望我们的

每次更新都位于目标散度附近的某个地方。目标散度应该大到足以显著改变策略，但又应该小到足以使更新稳定。

每次更新后，PPO都会检查更新的大小。如果最终更新的散度超过目标散度的 1.5倍，则下一次迭代我们将加倍β来更加重惩罚。相反，如果更新太小，我们将β减半，从而有效地扩大信任区域，算法伪代码如图10所示：

Tips：加倍与减半是基于启发式确定的，而非数学证明的结果。

图10 PPO Penalty伪代码

分析：与自然策略梯度和TRPO算法相比，PPO更容易实现。同时，我们可以使用流行的随机梯度下降算法（如ADAM等）执行更新，并在更新太大或太小时调整惩罚。

Ⅱ、PPO Clip

Clipped PPO是目前最流行的PPO的变体，也是我们说PPO时默认的变体。PPO Clip相比于PPO Penalty效果更好，也更容易实现。与PPO Penalty不同，与其费心随着时间的推移改变惩罚，PPO Clip直接限制策略可以改变的范围。我们重新定义了替代优势如式5：

$\begin{array}{c} \mathrm{L}_{\pi_{\theta}}^{C L I P}\left(\pi_{\theta_{k}}\right) \\ \mathrm{E}_{\tau \sim \pi_{\theta}}\left[\sum_{t=0}^{T}\left[\min \left(\rho_{t}\left(\pi_{\theta}, \pi_{\theta_{k}}\right) A_{t}^{\pi_{\theta_{k}}}, \operatorname{clip}\left(\rho_{t}\left(\pi_{\theta}, \pi_{\theta_{k}}\right), 1-\epsilon, 1+\epsilon\right)\right]\right]\right. \\ \rho_{t}(\theta)=\frac{\pi_{\theta}\left(a_{t} \mid s_{t}\right)}{\pi_{\theta_{k}}\left(a_{t} \mid s_{t}\right)} \end{array}$

式5 PPO Clip替代优势

其中，clip为截断函数，当重要性采样超出规定的上或下限后，函数会返回对应的上或下限，如图11所示：

图11 clip替代优势示意图

二、腾讯MOBA强化学习框架解构

第一章主要针对强化学习的原理、架构、应用、算法进行了综述，并以开悟的基础算法PPO为例详解了强化学习算法。而在开悟平台实践与报告前，在本章我们将会针对平台底层的强化学习框架（腾讯AI Lab MOBA框架）进行论文的对照与解析。

参考论文：Mastering Complex Control in MOBA Games with Deep RL

1.论文简介

这个问题在MOBA游戏的1v1对战中，涉及的状态和动作空间比传统的1v1游戏（如围棋和Atari游戏系列）要复杂得多，这使得搜索具有人类水平表现的策略非常困难。为此腾讯提出了一个深度强化学习框架，从系统和算法的角度来解决这个问题。论文提出的算法包括几种新颖的策略，包括控制依赖解耦、动作屏蔽、目标注意力和dual-clip PPO。在提出的Actor-Critic网络的训练下，在《王者荣耀》中，训练后的AI智能体能够在完整的1v1对战中击败顶级职业人类玩家。

图12 Go 1v1与MOBA 1v1复杂度对比

2.框架详解

图13 腾讯MOBA强化学习系统/框架总览

如图13所示，腾讯提出的MOBA 1v1强化学习系统设计包括四个主要模块：强化学习学习器、人工智能服务器、调度模块和内存池。这个设计旨在解决MOBA 1v1等复杂代理控制问题引入的随机梯度的高方差，需要较大的批量大小以加快训练速度。

AI服务器：负责游戏环境和AI模型之间的交互逻辑，通过自我对弈生成回合，并使用镜像策略进行采样对手策略。基于从游戏状态提取的特征，使用Boltzmann探索预测英雄动作，即基于Softmax分布进行采样。采样的动作然后被发送到游戏核心进行执行。执行后，游戏核心连续返回相应的奖励值和下一个状态。
调度模块：调度模块是一个服务器，与同一台机器上的多个AI服务器绑定。它从AI服务器收集数据样本，包括奖励、特征、动作概率等。这些样本首先被压缩和打包，然后发送到内存池。
内存池：内存池也是一个服务器。其内部实现为内存高效的循环队列用于数据存储。它支持长度不同的样本，并基于生成的时间进行数据采样。
RL学习器：RL学习器是一个分布式训练环境。为了加速使用大批量大小的策略更新，多个RL学习器从相同数量的内存池中并行获取数据。RL学习器中的梯度通过环形全局归约算法进行平均。为了减少IO成本，从RL学习器训练的模型以对等方式快速同步到AI服务器。

图14 框架核心算法架构

系统/框架算法设计如图14，首先，网络使用卷积、全连接和全连接（FC）将图像特征fi、向量特征fu和游戏状态信息fg（可观察到的游戏状态）编码为编码hi、hu和hg。其中注意力分布计算如式6：

$p(t \mid a)=\operatorname{Softmax}\left(F C\left(\mathrm{~h}_{\mathrm{LSTM}}\right) \cdot h_{k e y s}^{T}\right)$

式6 注意力分布计算

论文中没有使用我们上文提到的经典PPO，而是设计了改进后的Dual-clip PPO。在经典的PPO算法（式5）的基础上，它进一步剪辑了比值rt(θ)，以使其有一个下界c，支持大规模的分布式训练，如式7所示：

$\widehat{\mathbb{E}}_{t}\left[\max \left(\min \left(r_{t}(\theta) \hat{A}_{t}, \operatorname{clip}\left(r_{t}(\theta), 1-\epsilon, 1+\epsilon\right) \hat{A}_{t}\right), \hat{c A}_{t}\right)\right]$