- 追加された行はこの色です。
- 削除された行はこの色です。
#freeze
*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。
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Baselinesは使いにくいので、ここではBaselinesを使いやすくしたライブラリーであるStable Baselines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
-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)
}}
#ref(./cartpole.png,nolink)
#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()
}}
ダウンロードに失敗する場合は、まだファイルができていない可能性があります。
このセルをもう一度実行すると、ダウンロードできることがあります。
#geshi(python){{
# エージェントに学習させる
model.learn(total_timesteps=100000)
}}
TensorFlowが実行される度に、次のようなログが出力されます。
--------------------------------------
| approxkl | 4.4409087e-05 |
| clipfrac | 0.0 |
| ep_rewmean | nan |
| eplenmean | nan |
| explained_variance | 0.245 |
| fps | 806 |
| nupdates | 782 |
| policy_entropy | 0.52703226 |
| policy_loss | 0.00044246577 |
| serial_timesteps | 100096 |
| time_elapsed | 128 |
| total_timesteps | 100096 |
| value_loss | 3.9141965 |
--------------------------------------
必要ない場合は、エージェントを生成するときのverboseを0にします。
#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)
#ref(./cartpole.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
}}
学習のログをTensorBoardで確認できます。
#ref(./tensorboard.png,nolink,50%)
*参考にした資料 [#h8b55a7d]
***OpenAI Gym on Colaboratory [#leae03ba]
- [[Jun Nishi: ColaboratoryでOpenAI gym:http://bcl.sci.yamaguchi-u.ac.jp/~jun/home/180828-openai-colaboratory/]]
- [[@enmaru: Google Colaboratoryの90分セッション切れ対策【自動接続】 - Qiita:https://qiita.com/enmaru/items/2770df602dd7778d4ce6]]
***Stable-Baelines [#w8622bd0]
- [[Stable Baselines, a Fork of OpenAI Baselines - Getting Started:https://colab.research.google.com/drive/1_1H5bjWKYBVKbbs-Kj83dsfuZieDNcFU#scrollTo=63M8mSKR-6Zt]]
-[[Stable Baselines入門 / エージェントの保存と読み込み - note:https://note.mu/npaka/n/n4bb5b8496346]]
***TensorBoard on Colaboratoey [#w7de60fe]
- [[@kazuyakitahara: Google Colabratory 上でTensorBoardを使う方法 - Qiita:https://qiita.com/kazuyakitahara/items/ef92f93afba5462e9cb3]]
- [[npaka: Stable Baselines入門 / 学習の監視 - note:https://note.mu/npaka/n/n5a778ce0bd35#aWzeD]]
![[PukiWiki]](https://xn--p8ja5bwe1i.jp:443/wiki/image/banner.png "[PukiWiki]")
