pytorch-rl - Pytorch中的深度强化学习算法实现

项目介绍：Pytorch-RL

Pytorch-rl 是一个实现深度强化学习算法的开源项目，项目采用了 Pytorch 框架。Pytorch-rl 特别注重于连续动作空间的算法，因此在处理涉及连续动作的任务时，能够高效地在 CPU 或 GPU 上进行训练。此外，pytorch-rl 直接兼容 OpenAI Gym，这让算法的评估和修改变得非常简单。同时，用户可以根据自己的需求扩展此项目。

安装指南

Pytorch-rl 可以通过 Pypi 安装，推荐使用以下命令进行安装：

pip install pytorch-policy

依赖项

为了成功运行 pytorch-rl，需要以下依赖项：

Pytorch
Gym (OpenAI)
mujoco-py（用于物理仿真和 Gym 中的机器人环境）
Pybullet（即将支持）
MPI（仅支持 mpi backend 下的 Pytorch 安装）
Tensorboardx

支持的强化学习算法

pytorch-rl 支持多种强化学习算法，以下列出了一些主要算法：

DQN（配合双 Q 学习）
DDPG
DDPG与HER（用于OpenAI Fetch环境）
层次化强化学习
优先经验回放 + DDPG
DDPG 与优先后见经验回放（研究中）
Neural Map 与 A3C（即将支持）
Rainbow DQN（即将支持）
PPO
自注意力目标替换的 HER（研究中）
A3C（即将支持）
ACER（即将支持）
DARLA
TDM
世界模型
软演员评论家算法
赋能驱动探索

支持的环境

此项目支持多种强化学习环境，其中包括：

Breakout
Pong（即将支持）
手部操作机器人任务
Fetch-Reach 机器人任务
手部到达机器人任务
块操作机器人任务
Montezuma's Revenge（当前研究）
Pitfall
Gravitar
CarRacing
Super Mario Bros（须安装 gym-retro）
OpenSim 人工义肢挑战

环境建模

Pytorch-rl 项目使用了多种 GAN 训练技巧，以解决生成器和判别器训练不稳定的问题。尽管如此，训练 GAN 到收敛仍然非常困难。不过，采用 Spectral Normalization 技术后，infogan 成功收敛。在图像到图像转换任务和一般 VAE 训练过程中，使用 Skip Connection 表现出色。

一些包含的建模技术有：

beta-VAE
InfoGAN
CVAE-GAN
流生成模型（研究中）
SAGAN
顺序关注、推理、重复
好奇心驱动探索
参数空间噪声用于探索
噪声网络

参考文献

在开发 pytorch-rl 的过程中，参考了如下主要文献，涵盖了强化学习和生成模型等多个领域的重要研究成果：

Playing Atari with Deep Reinforcement Learning, Mnih et al., 2013
Human-level control through deep reinforcement learning, Mnih et al., 2015
深度强化学习与双 Q 学习, van Hasselt et al., 2015
深度强化学习进行连续控制, Lillicrap et al., 2015
CVAE-GAN: 通过不对称训练实现精细图像生成, Bao et al., 2017
beta-VAE: 采用约束变分框架学习基础视觉概念, Higgins et al., 2017
后见经验回放, Andrychowicz et al., 2017
InfoGAN: 通过信息最大化生成对抗性网络实现可解释的表示学习, Chen et al., 2016
世界模型, Ha et al., 2018
生成对抗网络的谱归一化, Miyato et al., 2018
自注意力生成对抗网络, Zhang et al., 2018
自我监督预测的好奇心驱动探索, Pathak et al., 2017
软演员评论家：使用随机演员的离策略最大熵深度强化学习, Haarnoja et al., 2018
用于探索的参数空间噪声, Plappert et al., 2018
用于探索的噪声网络, Fortunato et al., 2018
近端策略优化算法, Schulman et al., 2017
无监督实时控制通过变分赋能, Karl et al., 2017
相互信息神经估计, Belghazi et al., 2018
通过相互信息估计进行赋能驱动探索, Kumar et al., 2018

Pytorch-rl 项目为深度强化学习领域的研究和应用提供了强大的工具，便于开发者在各种复杂环境中测试和验证算法的性能。