強化学習/ColaboratoryでOpenAI Gymを使うのバックアップ差分(No.1)

バックアップ一覧
現在との差分を表示
ソースを表示
バックアップを表示
強化学習/ColaboratoryでOpenAI Gymを使うへ行く。
- 1 (2019-11-02 (土) 17:09:35)
追加された行はこの色です。
削除された行はこの色です。
*はじめに [#a650c2e4]

ColaboratoryはGoogleが提供している無料で使えるJupyter Notebook環境です。
TensorFlow用のプロセッサーTPUが使えるので、深層学習もできます。

ここでは、Colaboratory上でOpenAIが提供する強化学習ライブラリーのGymを用いて深層強化学習を実行する方法を説明します。
OpenAIが用意している強化学習アルゴリズムのライブラリーのBaselineは使いにくいので、ここではStabole-Baselineを使います。

次の環境で確認しました。
-TensorFlow-GPU 1.15
-OpenAI Gym 0.15.3
-Stable-Baselines 2.2.1


*環境構築 [#md8713d5]

#geshi(python){{
!apt-get -y -q install cuda-libraries-dev-10-0 > /dev/null
!apt-get -y -q install xvfb freeglut3-dev ffmpeg > /dev/null
!npm install -g localtunnel

!pip install pyglet
!pip install pyopengl
!pip install pyvirtualdisplay
!pip install tensorflow-gpu==1.15
!pip install gym
!pip install stable-baselines
}}


*関数 [#za2a5d54]
**100エピソードの平均ステップ数を評価する関数（CartPole用） [#c481f2c5]
#geshi(python){{
def evaluate(env_name, model, num_steps=1000):
  """
  Evaluate a RL agent
  :param model: (BaseRLModel object) the RL Agent
  :param num_steps: (int) number of timesteps to evaluate it
  :return: (float) Mean reward for the last 100 episodes
  """
  episode_rewards = [0.0]
  local_env = gym.make(env_name)
  obs = local_env.reset()
  for i in range(num_steps):
      # _states are only useful when using LSTM policies
      action, _states = model.predict(obs)
      obs, reward, done, info = local_env.step(action)
      
      # Stats
      episode_rewards[-1] += reward
      if done:
          obs = local_env.reset()
          episode_rewards.append(0.0)
  # Compute mean reward for the last 100 episodes
  mean_100ep_reward = round(np.mean(episode_rewards[-100:]), 1)
  print("Mean reward:", mean_100ep_reward, "Num episodes:", len(episode_rewards))
  
  return mean_100ep_reward
}}

**1エピソード実行する様子を画面に出力する関数 [#acb7db33]
#geshi(python){{
def show(env_name, model, num_steps=1000):
  local_env = gym.make(env_name)
  obs = local_env.reset()
  for step in range(num_steps):
    plt.imshow(local_env.render(mode='rgb_array'))
    display.clear_output(wait=True)
    display.display(plt.gcf())

    # _states are only useful when using LSTM policies
    action, _states = model.predict(obs)
    obs, reward, done, info = local_env.step(action)

    if done:
      local_env.close()
      break
  print('Num steps:', step)

  return step
}}

**1エピソード実行する様子を動画に記録する関数 [#d3d679b3]
#geshi(python){{
def record(env_name, model, num_steps=1000):
  from gym import wrappers

  local_env = gym.make(env_name)
  wrap_env = wrappers.Monitor(local_env, './', force=True)
  obs = wrap_env.reset()
  for step in range(num_steps):
    # _states are only useful when using LSTM policies
    action, _states = model.predict(obs)
    obs, reward, done, info = wrap_env.step(action)
    if done:
      wrap_env.close()
      break
  print('Num steps:', step)

  return step
}}

**動画ファイルをダウンロードする関数 [#ld59022b]
#geshi(python){{
def download():
  from google.colab import files
  import glob

  for file in glob.glob('openaigym.video.*.mp4'):
    files.download(file)
}}


*ここからメイン [#ce94ea16]
#geshi(python){{
%tensorflow_version 1.x
import os
import gym
import numpy as np
from stable_baselines.common.policies import MlpPolicy, CnnPolicy
from stable_baselines.common.vec_env import DummyVecEnv
from stable_baselines import PPO2

# TensorBoard用ログ
log_dir = './logs/'
os.makedirs(log_dir, exist_ok=True)

# ディスプレイ
from pyvirtualdisplay import Display
display = Display(visible=0, size=(1024, 768))
display.start()
import os
os.environ["DISPLAY"] = ":" + str(display.display) + "." + str(display.screen)

from IPython import display
import matplotlib.pyplot as plt
%matplotlib inline


# 環境
#env_name = 'MsPacman-v0'
env_name = 'CartPole-v0'
ori_env = gym.make(env_name)
# vectorized environments allow to easily multiprocess training
# we demonstrate its usefulness in the next examples
env = DummyVecEnv([lambda: ori_env])  # The algorithms require a vectorized environment to run


# PPO2エージェント
model = PPO2(MlpPolicy, env,  verbose=1, tensorboard_log=log_dir)  # 入力がセンサー値のとき
#model = PPO2(CnnPolicy, env,  verbose=1, tensorboard_log=log_dir)  # 入力が画像のとき
}}

#geshi(python){{
# 保存されたエージェントを読み込む（2回目以後）
#model = PPO2.load('model')
#model.set_env(env)
}}

#geshi(python){{
# 学習前のエージェントを評価する（CartPole用）
mean_reward_before_train = evaluate(env_name, model, num_steps=10000)
}}

#geshi(python){{
# 学習前のランダムに動くエージェントの動きを確認する（デバッグ用）
show(env_name, model, num_steps=1000)
}}

#geshi(python){{
# 学習前のランダムに動くエージェントを動画に記録する
num_steps = record(env_name, model, num_steps=10000)

# 動画を記録するのに時間がかかるので少し待つ
!sleep 10
}}

#geshi(python){{
# 動画ファイルをダウンロードする
download()
}}

#geshi(python){{
# エージェントに学習させる
model.learn(total_timesteps=100000)
}}

#geshi(python){{
# 学習後のエージェントを評価する（CartPole用）
mean_reward = evaluate(env_name, model, num_steps=10000)
}}

#geshi(python){{
# 学習後のエージェントの動きを確認する（デバッグ用）
show(env_name, model, num_steps=1000)
}}
#ref(./catpole.png,nolink)

#geshi(python){{
# 学習後のランダムに動くエージェントを動画に記録する
num_steps = record(env_name, model, num_steps=10000)

# 動画を記録するのに時間がかかるので少し待つ
!sleep 10
}}

#geshi(python){{
# 動画ファイルをダウンロードする
download()
}}

#geshi(python){{
# 学習したエージェントをファイルに保存する
model.save('model')

# エージェントを削除する（デバッグ用）
#del model
}}


*TensorBoard [#q851f04d]
#geshi(python){{
# TensorBoardとLocalTunnelを起動する
get_ipython().system_raw('tensorboard --logdir {} --host 0.0.0.0 --port 6006 &'.format(log_dir))
get_ipython().system_raw('lt --port 6006 > url.txt 2>&1 &')

# TensorBoardが起動するの時間がかかるので少し待つ
!sleep 10
}}

#geshi(python){{
# 次で出力されるURLにアクセス（ランタイムを再起動すると無効になる）
!cat url.txt
}}
強化学習/ColaboratoryでOpenAI Gymを使う のバックアップ差分(No.1)

強化学習/ColaboratoryでOpenAI Gymを使うのバックアップ差分(No.1)
