過去６回で、Ubuntu14.04、CUDA、chainer、dqn、LIS、Tensorflow、Open AI Gymを順次インストールし、最後にOpen AI Gymのサンプルコードをちょっといじった。
http://qiita.com/masataka46/items/cc37d36137a4a162c04a
今回も前回と同様、Open AI GymのHPに載ってるCartPoleゲームのサンプルコードをいじりながら、仕組みを学んでいく。公式HPはこちら。
https://gym.openai.com/docs
CartPole-v0のサンプルコード（test06.py）はこちら。
import gym
env = gym.make('CartPole-v0')
for i_episode in range(20):
observation = env.reset()
for t in range(100):
env.render()
print(observation)
action = env.action_space.sample()
observation, reward, done, info = env.step(action)
if done:
print("Episode finished after {} timesteps".format(t+1))
break
##step関数
前回８行目まで見たので、今回は９行目。env.step()にactionを放り込むと、戻り値としていろいろ返ってきている。actionは７行目でランダムな値を生成しているので、ランダムに選択されたacttion（例えば右）を放り込んでいるわけだ。
このstep関数はcore.pyのEnvクラスに記載されている。
https://github.com/openai/gym/blob/master/gym/core.py
def step(self, action):
self.monitor._before_step(action)
observation, reward, done, info = self._step(action)
done = self.monitor._after_step(observation, reward, done, info)
return observation, reward, done, info
この関数内に書かれている解説をまとめると以下。
（１）環境を１step進める。もしepisodeの終わりに達すれば、reset()を自動的に呼び出す。
（２）引数としてactionオブジェクトをとり、戻り値としてobservation、reward、done、infoを含むタプルを返す。
（３）doneはboolean型でepisodeが終わったか否かを保持。
（４）infoはdictionary型でデバッグ情報など予備の診断情報を保持。
次にstep関数の中身を見ていく。２行目のmonitorはよくわからんが、画面への出力関係か？
３行目は_stepにactionを放り込んで、４つの情報が返ってきている。４行目も画面への出力関係か？５行目で４つの値を返す。
重要なのは３行目の_step関数。これに関しては
# Override in ALL subclasses
def _step(self, action): raise NotImplementedError
とある。今回はどこかで実装されているのだろうか？
##if doneの部分
次に９行目以降のif文。先ほど見たようにdoneはepisodeが終了すればTRUEを返す。よって、このif文はepisodeが終了した時に「〜timestepsで終了しましたよ」と出力するもの。
##rewardも出力する
次にrewardがどんな値なのか、出力して確かめてみる。test06.pyの９行目と１０行目の間に以下を追加する。
print("reward is "),
print(reward)
出力はこんな感じ。
[ 0.01509218 -0.01367975 -0.00316408 0.01795877]
reward is 1.0
[ 0.01481859 -0.20875618 -0.00280491 0.30964172]
reward is 1.0
[ 0.01064347 -0.40383806 0.00338793 0.60143874]
reward is 1.0
[ 0.0025667 -0.20876366 0.0154167 0.30982487]
reward is 1.0
[-0.00160857 -0.01386472 0.0216132 0.02204353]
reward is 1.0
報酬はずっと1.0となっている。基準がよくわからんが、poleが倒れなかったら毎時刻1.0もらえるのだろうか？
##observationにもとづいてactionを操作する
実装の中心は、我々が受け取ったobservationに対してどのようなactionを返すか、という部分だろう。しかしtest06.pyのコードでは、９行目でobservationを受け取っているにも関わらず、それとは関係なく８行目でランダムなactionを渡している。これは面白くない。
そこで、以下のようにobsevationの値を処理し、それをactionに反映させてみる。
import gym
env = gym.make('CartPole-v0')
total_reward_sum = [0] * 20
for i_episode in range(20):
observation = env.reset()
total_reward = 0
for t in range(100):
env.render()
print(observation)
#action = env.action_space.sample()
sum_obs = observation[0] + observation[1] + observation[2] + observation[3]
if sum_obs > 0:
action = 1
else:
action = 0
observation, reward, done, info = env.step(action)
total_reward += 1
if done:
print("Episode finished after {} timesteps".format(t+1))
print("total reward is"),
print(total_reward)
total_reward_sum[i_episode] = total_reward
if i_episode == 19:
print("all total reward is"),
print(total_reward_sum)
break
if t == 99:
print("Episode finished after {} timesteps".format(t+1))
print("total reward is"),
print(total_reward)
total_reward_sum[i_episode] = total_reward
if i_episode == 19:
print("all total reward is"),
print(total_reward_sum)
トータルな報酬の出力をepisode終了時のみでなく、maxの１００timestep終了時にも設定したのは、このアルゴリズムが良すぎて、棒が倒れること無く毎回ほぼmaxまで達するため。実際、episode２０回分のトータル報酬は以下のようになった。
all total reward is [100, 100, 100, 100, 100, 100, 100, 100, 100, 100, 100, 97, 100, 100, 100, 100, 100, 100, 74, 100]
何も考えずに作ったのに、素晴らしいね！ちなみにactionを右と左入れ替えた結果が以下。
all total reward is [8, 9, 9, 9, 10, 9, 9, 10, 9, 9, 10, 9, 9, 9, 8, 10, 10, 9, 9, 9]
めっちゃ早く倒れている。というか倒れるのを助長させてるね。