今天，马斯克和YC总裁Altman等创办的人工智能非营利组织OpenAI，发布了DQN及其三个变体的TensorFlow实现，以及根据复现过程总结的强化学习模型最佳实现方法。

以下是OpenAI博客文章的主要内容，量子位编译：

我们宣布开源OpenAI Baselines，这是我们内部对发表论文的复现，结果能与论文所公布的相媲美。今天要发布的，包括DQN和它的三个变体。接下来的几个月里，我们将继续发布这些算法。

复现强化学习的结果并非易事：模型的性能有很多噪声、算法的活动件可能包含微小的bug、很多论文也没有写明复现所需的所有技巧。要正确地实现一个强化学习模型，往往需要修复很多不起眼的bug。

我们计划发布一些效果良好的实现，并写明完成这些实现的过程，借此来确保明显的RL进步，不是与现有算法的错误版本或未经微调的版本进行比较得来的。

最佳方法

与随机基准相比

下图中的agent，正在游戏H.E.R.O.中进行随机行动，如果你在训练早期看见这样的行为，很可能相信agent正在学习。所以，你总是应该验证自己的agent是否比随机行动更强。

警惕不严重的bug

我们看了十个流行的强化学习算法复现的样本，其中六个有社区成员发现提交，并获得作者确认的微小bug。

这些bug有的非常轻微，有的是忽略了梯度，有的甚至会虚报得分。

从agent的角度看世界

和大多数深度学习方法一样，我们在训练DQN时，也会将环境图像转换为灰度，以降低计算量。这有时候会带来bug。我们在Seaquest上运行DQN算法时，发现自己的实现表现不佳。当我们检查环境时，发现这是因为处理成灰度的图像上根本看不见鱼，如下图所示。

△ 游戏Seaquest的三个图像。左图显示原始图像，中间显示已经转换为灰度的版本，鱼不见了，右侧显示经调整让鱼可见的的灰度版本。

当将屏幕图像转换为灰度图像时，我们错误地调整了绿色值的系数，导致鱼的消失。在注意到这个bug之后，我们调整了颜色值，就又可以看见鱼了。

为了将来能调试这样的问题，我们的强化学习工具包gym现在有播放功能，让研究者轻松地看到与AI agent相同的观察结果。

修复bug，然后调整超参数

bug修完，就该开始调整超参数了。我们最终发现，为控制探索率的超参数epsilon设定退火程序对性能有很大的影响。我们的最终实现方法在前100万步中将epsilon降至0.1，然后在接下来的2400万步中降至0.01。如果我们的实现有bug，就可能会为了应对没有诊断出的错误，而提出不同的超参数。

仔细检查你对论文的解读

在Nature上发表的DQN论文中，作者写道：

We also found it helpful to clip the error term from the update […] to be between -1 and 1.

这句话有两种解释：一是裁剪目标，二是在计算梯度时裁剪乘法项。前者似乎更自然，但是一个DQN实现显示，它会导致次优性能。所以说，后者才是正确的，有一个简单的数学解释：胡伯损失。你可以通过检查梯度是否符合预期，来发现这些错误，用TensorFlow的compute_gradients命令就能轻松完成。

文章中提到的大多数错误都是通过多次遍历代码，并思考每行可能出错的情况发现的。每个bug在事后看起来都是显而易见的，但是即使是经验丰富的研究人员，也会低估检查多少遍代码中，才能找到实现中的所有错误。

Deep Q-Learning

我们的实现基于Python 3和TensorFlow。今天发布的实现包括DQN和它的三个变体：

DQN：强化学习算法，将Q-Learning与深层神经网络结合起来，使强化学习适用于复杂，高维度的环境，如视频游戏或机器人。

Double Q Learning：修正了传统DQN算法有时会高估与特定行为相关价值的趋势。

Prioritized Replay：通过在真正的奖励与预期奖励明显不同时学习重播记录，来扩展DQN的经历重播功能，让agent在做出不正确假设时进行调整。

决斗DQN(Dueling DQN)：将神经网络分为两个，一个学习提供每个时间步长值的估计，另一个计算每个动作的潜在优势，两个组合为一个action-advantage Q function。

GitHub地址：
https://github.com/openai/baselines

基准

我们提供一个iPython笔记本，显示了我们的DQN实现在Atari游戏上的性能。上图是各种算法的性能比较。

IPython笔记：
https://github.com/openai/baselines-results/blob/master/dqn_results.ipynb

【完】