トレーニング速度が 17% 向上 4 番目のパラダイムのオープンソース強化学習研究フレームワークは、シングルおよびマルチエージェントのトレーニングをサポートします。

OpenRL は、Fourth Paradigm 強化学習チームによって開発された PyTorch ベースの強化学習研究フレームワークで、シングル エージェント、マルチ エージェント、自然言語などのタスクのトレーニングをサポートします。 OpenRL は PyTorch に基づいて開発されており、強化学習研究コミュニティに使いやすく、柔軟で効率的で持続的に拡張可能なプラットフォームを提供することを目的としています。現在、OpenRL でサポートされている機能は次のとおりです。

• #使いやすく、単一エージェントおよび複数エージェントのトレーニングをサポートするユニバーサル インターフェイス
• 自然言語タスク (対話タスクなど) の強化学習トレーニングをサポート
#Hugging Face からのモデルとデータのインポートをサポート
• # LSTM、GRU、Transformer およびその他のモデルをサポート
• 自動混合精度トレーニング、半精度ポリシー ネットワーク データ収集など、さまざまなトレーニング アクセラレーションをサポートします。
• サポート ユーザー定義のトレーニング モデル、報酬モデル、トレーニング データと環境
• サポート 体育館環境
• サポート辞書観察スペース
• wandb や tensorboard などの主流のトレーニング視覚化ツールをサポートX
• 一貫したトレーニング効果を確保しながら、環境内でのシリアルおよび並列トレーニングをサポートします。両方のモードで
• 中国語と英語のドキュメント
• 単体テストとコード カバレッジ テストを提供します
• ブラック コード スタイルと型チェックに準拠
現在、OpenRL は GitHub 上のオープン ソースです:

プロジェクト アドレス: https://github.com/OpenRL-Lab/openrl

##OpenRL の初めての体験

OpenRL は現在、 pip:

<code>pip install openrl</code>

を通じてインストールできます。 conda を通じてインストールすることもできます:

<code>conda install -c openrl openrl</code>

OpenRL は、入力用のシンプルで使いやすいインターフェイスを提供します強化学習の - レベルのユーザー。以下は、PPO アルゴリズムを使用してトレーニングされた CartPole 環境です。例:

<code># train_ppo.pyfrom openrl.envs.common import makefrom openrl.modules.common import PPONet as Netfrom openrl.runners.common import PPOAgent as Agentenv = make ("CartPole-v1", env_num=9) # 创建环境，并设置环境并行数为 9net = Net (env) # 创建神经网络agent = Agent (net) # 初始化智能体agent.train (total_time_steps=20000) # 开始训练，并设置环境运行总步数为 20000</code>

OpenRL を使用してエージェントをトレーニングするには、4 つの簡単な手順のみが必要です: Create環境=> モデルの初期化=> エージェントの初期化=> トレーニングの開始

!

# 通常のラップトップで上記のコードを実行すると、エージェントのトレーニングが完了するまでに数秒しかかかりません:

## さらに、OpenRL は、マルチエージェント、自然言語、その他のタスクのトレーニング用に、同じシンプルで使いやすいインターフェイスも提供します。たとえば、マルチエージェント タスクの MPE 環境の場合、OpenRL は数行のコードを呼び出すだけでトレーニングを完了できます。

<code># train_ppo.pyfrom openrl.envs.common import makefrom openrl.modules.common import PPONet as Netfrom openrl.runners.common import PPOAgent as Agentdef train ():# 创建 MPE 环境，使用异步环境，即每个智能体独立运行env = make ("simple_spread",env_num=100,asynchrnotallow=True,)# 创建 神经网络，使用 GPU 进行训练net = Net (env, device="cuda")agent = Agent (net) # 初始化训练器# 开始训练agent.train (total_time_steps=5000000)# 保存训练完成的智能体agent.save ("./ppo_agent/")if __name__ == "__main__":train ()</code>

次の図は、エージェントのパフォーマンスを示しています。 OpenRL によるトレーニングの前後：

設定ファイルのロード

さらに、OpenRL はロードもサポートしていますコマンドラインと設定ファイルからトレーニングパラメータが変更されます。たとえば、ユーザーは python train_ppo.py --lr 5e-4 を実行することで、トレーニング中に学習率をすばやく変更できます。

構成パラメータが多数ある場合、OpenRL は、ユーザーが独自の構成ファイルを作成してトレーニング パラメータを変更することもサポートします。たとえば、ユーザーは次の構成ファイル (mpe_ppo.yaml) を自分で作成し、その中のパラメーターを変更できます。

<code># mpe_ppo.yamlseed: 0 # 设置 seed，保证每次实验结果一致lr: 7e-4 # 设置学习率episode_length: 25 # 设置每个 episode 的长度use_recurrent_policy: true # 设置是否使用 RNNuse_joint_action_loss: true # 设置是否使用 JRPO 算法use_valuenorm: true # 设置是否使用 value normalization</code>

最後に、ユーザーは、実行時に構成ファイルを指定するだけで済みます。プログラム。：

<code>python train_ppo.py --config mpe_ppo.yaml</code>

训练与测试可视化

此外，通过 OpenRL，用户还可以方便地使用 wandb 来可视化训练过程：

OpenRL 还提供了各种环境可视化的接口，方便用户对并行环境进行可视化。用户可以在创建并行环境的时候设置环境的渲染模式为 "group_human"，便可以同时对多个并行环境进行可视化：

<code>env = make ("simple_spread", env_num=9, render_mode="group_human")</code>

此外，用户还可以通过引入 GIFWrapper 来把环境运行过程保存为 gif 动画：

<code>from openrl.envs.wrappers import GIFWrapperenv = GIFWrapper (env, "test_simple_spread.gif")</code>

智能体的保存和加载

OpenRL 提供 agent.save () 和 agent.load () 接口来保存和加载训练好的智能体，并通过 agent.act () 接口来获取测试时的智能体动作：

<code># test_ppo.pyfrom openrl.envs.common import makefrom openrl.modules.common import PPONet as Netfrom openrl.runners.common import PPOAgent as Agentfrom openrl.envs.wrappers import GIFWrapper # 用于生成 gifdef test ():# 创建 MPE 环境env = make ( "simple_spread", env_num=4)# 使用 GIFWrapper，用于生成 gifenv = GIFWrapper (env, "test_simple_spread.gif")agent = Agent (Net (env)) # 创建 智能体# 保存智能体agent.save ("./ppo_agent/")# 加载智能体agent.load ('./ppo_agent/')# 开始测试obs, _ = env.reset ()while True:# 智能体根据 observation 预测下一个动作action, _ = agent.act (obs)obs, r, done, info = env.step (action)if done.any ():breakenv.close ()if __name__ == "__main__":test ()</code>

执行该测试代码，便可以在同级目录下找到保存好的环境运行动画文件 (test_simple_spread.gif)：

训练自然语言对话任务

最近的研究表明，强化学习也可以用于训练语言模型， 并且能显著提升模型的性能。目前，OpenRL 已经支持自然语言对话任务的强化学习训练。OpenRL 通过模块化设计，支持用户加载自己的数据集 ，自定义训练模型，自定义奖励模型，自定义 wandb 信息输出以及一键开启混合精度训练等。

对于对话任务训练，OpenRL 提供了同样简单易用的训练接口：

<code># train_ppo.pyfrom openrl.envs.common import makefrom openrl.modules.common import PPONet as Netfrom openrl.runners.common import PPOAgent as Agentfrom openrl.configs.config import create_config_parserdef train ():# 添加读取配置文件的代码cfg_parser = create_config_parser ()cfg = cfg_parser.parse_args ()# 创建 NLP 环境env = make ("daily_dialog",env_num=2,asynchrnotallow=True,cfg=cfg,)net = Net (env, cfg=cfg, device="cuda")agent = Agent (net)agent.train (total_time_steps=5000000)if __name__ == "__main__":train ()</code>

可以看出，OpenRL 训练对话任务和其他强化学习任务一样，都是通过创建交互环境的方式进行训练。

加载自定义数据集

训练对话任务，需要对话数据集。这里我们可以使用 Hugging Face 上的公开数据集（用户可以替换成自己的数据集）。加载数据集，只需要在配置文件中传入数据集的名称或者路径即可：

<code># nlp_ppo.yamldata_path: daily_dialog # 数据集路径env: # 环境所用到的参数args: {'tokenizer_path': 'gpt2'} # 读取 tokenizer 的路径seed: 0 # 设置 seed，保证每次实验结果一致lr: 1e-6 # 设置 policy 模型的学习率critic_lr: 1e-6 # 设置 critic 模型的学习率episode_length: 20 # 设置每个 episode 的长度use_recurrent_policy: true</code>

上述配置文件中的 data_path 可以设置为 Hugging Face 数据集名称或者本地数据集路径。此外，环境参数中的 tokenizer_path 用于指定加载文字编码器的 Hugging Face 名称或者本地路径。

自定义训练模型

在 OpenRL 中，我们可以使用 Hugging Face 上的模型来进行训练。为了加载 Hugging Face 上的模型，我们首先需要在配置文件 nlp_ppo.yaml 中添加以下内容：

<code># nlp_ppo.yaml# 预训练模型路径model_path: rajkumarrrk/gpt2-fine-tuned-on-daily-dialog use_share_model: true # 策略网络和价值网络是否共享模型ppo_epoch: 5 # ppo 训练迭代次数data_path: daily_dialog # 数据集名称或者路径env: # 环境所用到的参数args: {'tokenizer_path': 'gpt2'} # 读取 tokenizer 的路径lr: 1e-6 # 设置 policy 模型的学习率critic_lr: 1e-6 # 设置 critic 模型的学习率episode_length: 128 # 设置每个 episode 的长度num_mini_batch: 20</code>

然后在 train_ppo.py 中添加以下代码：

<code># train_ppo.pyfrom openrl.envs.common import makefrom openrl.modules.common import PPONet as Netfrom openrl.runners.common import PPOAgent as Agentfrom openrl.configs.config import create_config_parserfrom openrl.modules.networks.policy_value_network_gpt import (PolicyValueNetworkGPT as PolicyValueNetwork,)def train ():# 添加读取配置文件的代码cfg_parser = create_config_parser ()cfg = cfg_parser.parse_args ()# 创建 NLP 环境env = make ("daily_dialog",env_num=2,asynchrnotallow=True,cfg=cfg,)# 创建自定义神经网络model_dict = {"model": PolicyValueNetwork}net = Net (env, cfg=cfg, model_dict=model_dict)# 创建训练智能体agent = Agent (net)agent.train (total_time_steps=5000000)if __name__ == "__main__":train ()</code>

通过以上简单几行的修改，用户便可以使用 Hugging Face 上的预训练模型进行训练。如果用户希望分别自定义策略网络和价值网络，可以写好 CustomPolicyNetwork 以及 CustomValueNetwork 后通过以下方式从外部传入训练网络：

<code>model_dict = {"policy": CustomPolicyNetwork,"critic": CustomValueNetwork,}net = Net (env, model_dict=model_dict)</code>

自定义奖励模型

通常，自然语言任务的数据集中并不包含奖励信息。因此，如果需要使用强化学习来训练自然语言任务，就需要使用额外的奖励模型来生成奖励。在该对话任务中，我们可以使用一个复合的奖励模型，它包含以下三个部分：

●意图奖励：即当智能体生成的语句和期望的意图接近时，智能体便可以获得更高的奖励。

●METEOR 指标奖励：METEOR 是一个用于评估文本生成质量的指标，它可以用来衡量生成的语句和期望的语句的相似程度。我们把这个指标作为奖励反馈给智能体，以达到优化生成的语句的效果。

●KL 散度奖励：该奖励用来限制智能体生成的文本偏离预训练模型的程度，防止出现 reward hacking 的问题。

我们最终的奖励为以上三个奖励的加权和，其中 KL 散度奖励的系数是随着 KL 散度的大小动态变化的。想在 OpenRL 中使用该奖励模型，用户无需修改训练代码，只需要在 nlp_ppo.yaml 文件中添加 reward_class 参数即可：

<code># nlp_ppo.yamlreward_class:id: NLPReward # 奖励模型名称args: {# 用于意图判断的模型的名称或路径"intent_model": rajkumarrrk/roberta-daily-dialog-intent-classifier,# 用于计算 KL 散度的预训练模型的名称或路径"ref_model": roberta-base, # 用于意图判断的 tokenizer 的名称或路径}</code>

OpenRL 支持用户使用自定义的奖励模型。首先，用户需要编写自定义奖励模型 (需要继承 BaseReward 类)。接着，用户需要注册自定义的奖励模型，即在 train_ppo.py 添加以下代码：

<code># train_ppo.pyfrom openrl.rewards.nlp_reward import CustomRewardfrom openrl.rewards import RewardFactoryRewardFactory.register ("CustomReward", CustomReward)</code>

最后，用户只需要在配置文件中填写自定义的奖励模型即可：

<code>reward_class:id: "CustomReward" # 自定义奖励模型名称args: {} # 用户自定义奖励函数可能用到的参数</code>

自定义训练过程信息输出

OpenRL 还支持用户自定义 wandb 和 tensorboard 的输出内容。例如，在该任务的训练过程中，我们还需要输出各种类型奖励的信息和 KL 散度系数的信息， 用户可以在 nlp_ppo.yaml 文件中加入 vec_info_class 参数来实现:

<code># nlp_ppo.yamlvec_info_class:id: "NLPVecInfo" # 调用 NLPVecInfo 类以打印 NLP 任务中奖励函数的信息# 设置 wandb 信息wandb_entity: openrl # 这里用于指定 wandb 团队名称，请把 openrl 替换为你自己的团队名称experiment_name: train_nlp # 这里用于指定实验名称run_dir: ./run_results/ # 这里用于指定实验数据保存的路径log_interval: 1 # 这里用于指定每隔多少个 episode 上传一次 wandb 数据# 自行填写其他参数...</code>

修改完配置文件后，在 train_ppo.py 文件中启用 wandb:

<code># train_ppo.pyagent.train (total_time_steps=100000, use_wandb=True)</code>

然后执行 python train_ppo.py –config nlp_ppo.yaml，稍后，便可以在 wandb 中看到如下的输出:

从上图可以看到，wandb 输出了各种类型奖励的信息和 KL 散度系数的信息。 

如果用户还需要输出其他信息，还可以参考 NLPVecInfo 类 和 VecInfo 类来实现自己的 CustomVecInfo 类。然后，需要在 train_ppo.py 中注册自定义的 CustomVecInfo 类:

<code># train_ppo.py # 注册自定义输出信息类 VecInfoFactory.register ("CustomVecInfo", CustomVecInfo)</code>

最后，只需要在 nlp_ppo.yaml 中填写 CustomVecInfo 类即可启用：

<code># nlp_ppo.yamlvec_info_class:id: "CustomVecInfo" # 调用自定义 CustomVecInfo 类以输出自定义信息</code>

使用混合精度训练加速

OpenRL 还提供了一键开启混合精度训练的功能。用户只需要在配置文件中加入以下参数即可：

<code># nlp_ppo.yamluse_amp: true # 开启混合精度训练</code>

对比评测

下表格展示了使用 OpenRL 训练该对话任务的结果。结果显示使用强化学习训练后，模型各项指标皆有所提升。另外，从下表可以看出，相较于 RL4LMs ， OpenRL 的训练速度更快（在同样 3090 显卡的机器上，速度提升 17% ），最终的性能指标也更好：

最后，对于训练好的智能体，用户可以方便地通过 agent.chat () 接口进行对话：

<code># chat.pyfrom openrl.runners.common import ChatAgent as Agentdef chat ():agent = Agent.load ("./ppo_agent", tokenizer="gpt2",)history = []print ("Welcome to OpenRL!")while True:input_text = input ("> User:")if input_text == "quit":breakelif input_text == "reset":history = []print ("Welcome to OpenRL!")continueresponse = agent.chat (input_text, history)print (f"> OpenRL Agent: {response}")history.append (input_text)history.append (response)if __name__ == "__main__":chat ()</code>

执行 python chat.py ，便可以和训练好的智能体进行对话了：

总结

OpenRL 框架经过了 OpenRL-Lab 的多次迭代并应用于学术研究和 AI 竞赛，目前已经成为了一个较为成熟的强化学习框架。OpenRL-Lab 团队将持续维护和更新 OpenRL，欢迎大家加入我们的开源社区，一起为强化学习的发展做出贡献。更多关于 OpenRL 的信息，可以参考:

• OpenRL 官方仓库：https://github.com/OpenRL-Lab/openrl/
• OpenRL 中文文档：https://openrl-docs.readthedocs.io/zh/latest/

致谢

OpenRL 框架的开发吸取了其他强化学习框架的优点：

• 安定ベースライン 3: https://github.com/DLR-RM/stable-baselines3
• pytorch-a2c-ppo-acktr-gail: https ://github.com/ikostrikov/pytorch-a2c-ppo-acktr-gail
• MAPPO: https://github.com/marlbenchmark/on-policy
• 体育館: https://github.com/Farama-Foundation/Gymnasium
• DI エンジン: https://github.com/opendilab/DI -エンジン/
• ##Tianshou: https://github.com/thu-ml/tianshou
• #RL4LMs: https://github.com/allenai /RL4LMs

今後の取り組み

現在、OpenRL はまだ継続的な開発と構築の段階にあります。将来的には、OpenRL はさらに多くの機能をオープンソース化する予定です:

• サポート エージェントのセルフ ゲーム トレーニング
• オフライン強化学習、モデル学習、逆強化学習アルゴリズムを追加
• 強化学習環境とアルゴリズムを追加##Deepspeed などのアクセラレーション フレームワークを統合
• マルチマシン分散トレーニングをサポート
• OpenRL Lab チーム

OpenRL フレームワークは、4Paradigm の強化学習研究チームである OpenRL Lab チームによって開発されています。 Fourth Paradigm は、強化学習の研究、開発、産業応用に長年取り組んできました。強化学習における産学研究の統合を促進するため、4Paradigm はオープンソースの先端技術と人工知能のフロンティア探索を目的とした OpenRL Lab 研究チームを設立しました。設立から 1 年も経たないうちに、OpenRL Lab チームは AAMAS に 3 つの論文を発表し、Google Football Game 11 vs 11 のコンテストに参加し、3 位を獲得しました。チームが提案した TiZero エージェントは、カリキュラム学習、分散強化学習、セルフゲーム、その他のテクノロジーを通じて、Google フットボールのフルフィールド ゲーム エージェントのトレーニングをゼロから完了した初めてのエージェントです。

#2022 年 10 月 28 日の時点で、Tizero は Jidi 評価プラットフォームで 1 位にランクされました:

以上がトレーニング速度が 17% 向上 4 番目のパラダイムのオープンソース強化学習研究フレームワークは、シングルおよびマルチエージェントのトレーニングをサポートします。の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。