强化学习实战 | 自定义Gym环境

新手的第一个强化学习示例一般都从Open Gym开始。在这些示例中，我们不断地向环境施加动作，并得到观测和奖励，这也是Gym Env的基本用法：

state, reward, done, info = env.step(action)

其中state是agent的观测状态，reward是采取了action之后环境返回的奖励，done是判断后继状态是否是终止状态的flag，info是一些自定义的消息。

当后继状态是终止状态时，需要重置环境，使之回到初始状态：

env.reset()

接下来，我们就以以上两个基本用法为目标，自定义一个Gym下的简单环境：

S0	S1	S2
-1	-1	10

初始状态S0，终止状态S2，抵达状态S0 S1 S2的奖励分别为-1，-1和10，agent有向左和向右两个动作。

步骤1：创建文件夹和文件

本人为了做深度学习，使用conda的环境管理功能创建了名为 pytorch1.1的环境，于是来到目录：D:\Anaconda\envs\pytorch1.1\Lib\site-packages\gym\envs

创建文件夹 user ，用于专门存放自定义的环境，然后进入该目录：D:\Anaconda\envs\pytorch1.1\Lib\site-packages\gym\envs\user，创建文件 __init__.py 和 basic_env.py

步骤2：编写 basic_env.py 和 __init__.py

basic_env是我们要写的简单环境示例的文件名，内容如下：

import gym
class BasicEnv(gym.Env):
    def __init__(self):
        self.action_space = ['left', 'right'] # 动作空间
        self.state_space = ['s0', 's1', 's2'] # 状态空间
        self.state_transition = { # 状态转移表
            's0': {'left':'s0', 'right':'s1'},
            's1': {'left':'s0', 'right':'s2'}
        }
        self.reward = {'s0':-1, 's1':-1, 's2':10} # 奖励
        self.state = 's0'

    def step(self, action):
        next_state =  self.state_transition[self.state][action] # 通过两个关键字查找状态转移表中的后继状态
        self.state = next_state
        reward = self.reward[next_state]
        if next_state == 's2':
            done = True
        else:
            done = False
        info = {}
        return next_state, reward, done, info

    def reset(self):
        self.state = 's0'
        return self.state

    def render(self, mode='human'):
        draw = ['-' for i in range(len(self.state_space))]
        draw[self.state_space.index(self.state)] = 'o'
        draw = ''.join(draw)
        print(draw)

__init__.py是引入环境类的入口函数，写入：

from gym.envs.user.basic_env import BasicEnv

步骤3：注册环境

来到目录：D:\Anaconda\envs\pytorch1.1\Lib\site-packages\gym，所有的环境都在__init__.py文件中注册，打开这个文件，发现很多类似这样的代码：

# Toy Text
# ----------------------------------------

register(
    id="Blackjack-v1",
    entry_point="gym.envs.toy_text:BlackjackEnv",
    kwargs={"sab": True, "natural": False},
)

register(
    id="FrozenLake-v1",
    entry_point="gym.envs.toy_text:FrozenLakeEnv",
    kwargs={"map_name": "4x4"},
    max_episode_steps=100,
    reward_threshold=0.70,  # optimum = 0.74
)

register(
    id="FrozenLake8x8-v1",
    entry_point="gym.envs.toy_text:FrozenLakeEnv",
    kwargs={"map_name": "8x8"},
    max_episode_steps=200,
    reward_threshold=0.85,  # optimum = 0.91
)

模仿这个格式，我们添加自己的代码，注册自己的环境：

# User
# ----------------------------------------
register(
    id="BasicEnv-v0", # 环境名
    entry_point="gym.envs.user:BasicEnv", #接口
    reward_threshold=10, # 奖励阈值
    max_episode_steps = 10, # 最大步长
)

注册了的环境，可以通过向gym的通用接口写入环境名创建。除了环境名和接口两个基本信息外，奖励阈值和最大步长则是与训练相关的参数，还可以自行添加其他参数。

步骤4：测试环境

在测试代码中，我们设置了一个主循环，让agent随机选择向左或向右，直到抵达终止状态，或达到了在注册环境中设置的最大步长max_episode_steps（实现方式是使得done = True），代码如下：

import gym
import random
import time

from gym import envs
print(envs.registry.all()) # 查看所有已注册的环境

env = gym.make('BasicEnv-v0')
env.reset() # 在第一次step前要先重置环境 不然会报错
action_space = env.action_space
while True:
    action = random.choice(action_space) # 随机动作
    state, reward, done, info = env.step(action)
    print('reward: %d' % reward)
    env.render()
    time.sleep(0.5)
    if done: break