訓練提速17%，第四范式開源強化學習研究框架，支持單、多智能體訓練
OpenRL 是由第四范式強化學習團隊開發的基于 PyTorch 的強化學習研究框架，支持單智能體、多智能體、自然語言等多種任務的訓練。OpenRL 基于 PyTorch 進行開發，目標是為強化學習研究社區提供一個簡單易用、靈活高效、可持續擴展的平臺。目前，OpenRL 支持的特性包括：
- 簡單易用且支持單智能體、多智能體訓練的通用接口
- 支持自然語言任務（如對話任務）的強化學習訓練
- 支持從 Hugging Face 上導入模型和數據
- 支持 LSTM，GRU，Transformer 等模型
- 支持多種訓練加速，例如：自動混合精度訓練，半精度策略網絡收集數據等
- 支持用戶自定義訓練模型、獎勵模型、訓練數據以及環境
- 支持 gymnasium 環境
- 支持字典觀測空間
- 支持 wandb，tensorboardX 等主流訓練可視化工具
- 支持環境的串行和并行訓練，同時保證兩種模式下的訓練效果一致
- 中英文文檔
- 提供單元測試和代碼覆蓋測試
- 符合 Black Code Style 和類型檢查
目前，OpenRL 已經在 GitHub 開源：
項目地址：https://github.com/OpenRL-Lab/openrl
OpenRL 初體驗
OpenRL 目前可以通過 pip 進行安裝：
pip install openrl也可以通過 conda 安裝：
conda install -c openrl openrlOpenRL 為強化學習入門用戶提供了簡單易用的接口， 下面是一個使用 PPO 算法訓練 CartPole 環境的例子：
# train_ppo.py
from openrl.envs.common import make
from openrl.modules.common import PPONet as Net
from openrl.runners.common import PPOAgent as Agent
env = make ("CartPole-v1", env_num=9) # 創建環境，并設置環境并行數為 9
net = Net (env) # 創建神經網絡
agent = Agent (net) # 初始化智能體
agent.train (total_time_steps=20000) # 開始訓練，并設置環境運行總步數為 20000使用 OpenRL 訓練智能體只需要簡單的四步：創建環境 => 初始化模型 => 初始化智能體 => 開始訓練！
在普通筆記本電腦上執行以上代碼，只需要幾秒鐘，便可以完成該智能體的訓練：
此外，對于多智能體、自然語言等任務的訓練，OpenRL 也提供了同樣簡單易用的接口。例如，對于多智能體任務中的 MPE 環境，OpenRL 也只需要調用幾行代碼便可以完成訓練：
# train_ppo.py
from openrl.envs.common import make
from openrl.modules.common import PPONet as Net
from openrl.runners.common import PPOAgent as Agent
def train ():
# 創建 MPE 環境，使用異步環境，即每個智能體獨立運行
env = make (
"simple_spread",
env_num=100,
asynchrnotallow=True,
)
# 創建 神經網絡，使用 GPU 進行訓練
net = Net (env, device="cuda")
agent = Agent (net) # 初始化訓練器
# 開始訓練
agent.train (total_time_steps=5000000)
# 保存訓練完成的智能體
agent.save ("./ppo_agent/")
if __name__ == "__main__":
train ()下圖展示了通過 OpenRL 訓練前后智能體的表現：
加載配置文件
此外，OpenRL 還同時支持從命令行和配置文件對訓練參數進行修改。比如，用戶可以通過執行 python train_ppo.py --lr 5e-4 來快速修改訓練時候的學習率。
當配置參數非常多的時候，OpenRL 還支持用戶編寫自己的配置文件來修改訓練參數。例如，用戶可以自行創建以下配置文件 (mpe_ppo.yaml)，并修改其中的參數：
# mpe_ppo.yaml
seed: 0 # 設置 seed，保證每次實驗結果一致
lr: 7e-4 # 設置學習率
episode_length: 25 # 設置每個 episode 的長度
use_recurrent_policy: true # 設置是否使用 RNN
use_joint_action_loss: true # 設置是否使用 JRPO 算法
use_valuenorm: true # 設置是否使用 value normalization最后，用戶只需要在執行程序的時候指定該配置文件即可：
python train_ppo.py --config mpe_ppo.yaml訓練與測試可視化
此外，通過 OpenRL，用戶還可以方便地使用 wandb 來可視化訓練過程：
OpenRL 還提供了各種環境可視化的接口，方便用戶對并行環境進行可視化。用戶可以在創建并行環境的時候設置環境的渲染模式為 "group_human"，便可以同時對多個并行環境進行可視化：
env = make ("simple_spread", env_num=9, render_mode="group_human")此外，用戶還可以通過引入 GIFWrapper 來把環境運行過程保存為 gif 動畫：
from openrl.envs.wrappers import GIFWrapper
env = GIFWrapper (env, "test_simple_spread.gif")智能體的保存和加載
OpenRL 提供 agent.save () 和 agent.load () 接口來保存和加載訓練好的智能體，并通過 agent.act () 接口來獲取測試時的智能體動作：
# test_ppo.py
from openrl.envs.common import make
from openrl.modules.common import PPONet as Net
from openrl.runners.common import PPOAgent as Agent
from openrl.envs.wrappers import GIFWrapper # 用于生成 gif
def test ():
# 創建 MPE 環境
env = make ( "simple_spread", env_num=4)
# 使用 GIFWrapper，用于生成 gif
env = GIFWrapper (env, "test_simple_spread.gif")
agent = Agent (Net (env)) # 創建 智能體
# 保存智能體
agent.save ("./ppo_agent/")
# 加載智能體
agent.load ('./ppo_agent/')
# 開始測試
obs, _ = env.reset ()
while True:
# 智能體根據 observation 預測下一個動作
action, _ = agent.act (obs)
obs, r, done, info = env.step (action)
if done.any ():
break
env.close ()
if __name__ == "__main__":
test ()執行該測試代碼，便可以在同級目錄下找到保存好的環境運行動畫文件 (test_simple_spread.gif)：
訓練自然語言對話任務
最近的研究表明，強化學習也可以用于訓練語言模型， 并且能顯著提升模型的性能。目前，OpenRL 已經支持自然語言對話任務的強化學習訓練。OpenRL 通過模塊化設計，支持用戶加載自己的數據集 ，自定義訓練模型，自定義獎勵模型，自定義 wandb 信息輸出以及一鍵開啟混合精度訓練等。
對于對話任務訓練，OpenRL 提供了同樣簡單易用的訓練接口：
# train_ppo.py
from openrl.envs.common import make
from openrl.modules.common import PPONet as Net
from openrl.runners.common import PPOAgent as Agent
from openrl.configs.config import create_config_parser
def train ():
# 添加讀取配置文件的代碼
cfg_parser = create_config_parser ()
cfg = cfg_parser.parse_args ()
# 創建 NLP 環境
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 ()可以看出，OpenRL 訓練對話任務和其他強化學習任務一樣，都是通過創建交互環境的方式進行訓練。
加載自定義數據集
訓練對話任務，需要對話數據集。這里我們可以使用 Hugging Face 上的公開數據集（用戶可以替換成自己的數據集）。加載數據集，只需要在配置文件中傳入數據集的名稱或者路徑即可：
# nlp_ppo.yaml
data_path: daily_dialog # 數據集路徑
env: # 環境所用到的參數
args: {'tokenizer_path': 'gpt2'} # 讀取 tokenizer 的路徑
seed: 0 # 設置 seed，保證每次實驗結果一致
lr: 1e-6 # 設置 policy 模型的學習率
critic_lr: 1e-6 # 設置 critic 模型的學習率
episode_length: 20 # 設置每個 episode 的長度
use_recurrent_policy: true上述配置文件中的 data_path 可以設置為 Hugging Face 數據集名稱或者本地數據集路徑。此外，環境參數中的 tokenizer_path 用于指定加載文字編碼器的 Hugging Face 名稱或者本地路徑。
自定義訓練模型
在 OpenRL 中，我們可以使用 Hugging Face 上的模型來進行訓練。為了加載 Hugging Face 上的模型，我們首先需要在配置文件 nlp_ppo.yaml 中添加以下內容：
# nlp_ppo.yaml
# 預訓練模型路徑
model_path: rajkumarrrk/gpt2-fine-tuned-on-daily-dialog
use_share_model: true # 策略網絡和價值網絡是否共享模型
ppo_epoch: 5 # ppo 訓練迭代次數
data_path: daily_dialog # 數據集名稱或者路徑
env: # 環境所用到的參數
args: {'tokenizer_path': 'gpt2'} # 讀取 tokenizer 的路徑
lr: 1e-6 # 設置 policy 模型的學習率
critic_lr: 1e-6 # 設置 critic 模型的學習率
episode_length: 128 # 設置每個 episode 的長度
num_mini_batch: 20然后在 train_ppo.py 中添加以下代碼：
# train_ppo.py
from openrl.envs.common import make
from openrl.modules.common import PPONet as Net
from openrl.runners.common import PPOAgent as Agent
from openrl.configs.config import create_config_parser
from openrl.modules.networks.policy_value_network_gpt import (
PolicyValueNetworkGPT as PolicyValueNetwork,
)
def train ():
# 添加讀取配置文件的代碼
cfg_parser = create_config_parser ()
cfg = cfg_parser.parse_args ()
# 創建 NLP 環境
env = make ("daily_dialog",env_num=2,asynchrnotallow=True,cfg=cfg,)
# 創建自定義神經網絡
model_dict = {"model": PolicyValueNetwork}
net = Net (env, cfg=cfg, model_dict=model_dict)
# 創建訓練智能體
agent = Agent (net)
agent.train (total_time_steps=5000000)
if __name__ == "__main__":
train ()通過以上簡單幾行的修改，用戶便可以使用 Hugging Face 上的預訓練模型進行訓練。如果用戶希望分別自定義策略網絡和價值網絡，可以寫好 CustomPolicyNetwork 以及 CustomValueNetwork 后通過以下方式從外部傳入訓練網絡：
model_dict = {
"policy": CustomPolicyNetwork,
"critic": CustomValueNetwork,
}
net = Net (env, model_dict=model_dict)自定義獎勵模型
通常，自然語言任務的數據集中并不包含獎勵信息。因此，如果需要使用強化學習來訓練自然語言任務，就需要使用額外的獎勵模型來生成獎勵。在該對話任務中，我們可以使用一個復合的獎勵模型，它包含以下三個部分：
●意圖獎勵：即當智能體生成的語句和期望的意圖接近時，智能體便可以獲得更高的獎勵。
●METEOR 指標獎勵：METEOR 是一個用于評估文本生成質量的指標，它可以用來衡量生成的語句和期望的語句的相似程度。我們把這個指標作為獎勵反饋給智能體，以達到優化生成的語句的效果。
●KL 散度獎勵：該獎勵用來限制智能體生成的文本偏離預訓練模型的程度，防止出現 reward hacking 的問題。
我們最終的獎勵為以上三個獎勵的加權和，其中 KL 散度獎勵的系數是隨著 KL 散度的大小動態變化的。想在 OpenRL 中使用該獎勵模型，用戶無需修改訓練代碼，只需要在 nlp_ppo.yaml 文件中添加 reward_class 參數即可：
# nlp_ppo.yaml
reward_class:
id: NLPReward # 獎勵模型名稱
args: {
# 用于意圖判斷的模型的名稱或路徑
"intent_model": rajkumarrrk/roberta-daily-dialog-intent-classifier,
# 用于計算 KL 散度的預訓練模型的名稱或路徑
"ref_model": roberta-base, # 用于意圖判斷的 tokenizer 的名稱或路徑
}OpenRL 支持用戶使用自定義的獎勵模型。首先，用戶需要編寫自定義獎勵模型 (需要繼承 BaseReward 類)。接著，用戶需要注冊自定義的獎勵模型，即在 train_ppo.py 添加以下代碼：
# train_ppo.py
from openrl.rewards.nlp_reward import CustomReward
from openrl.rewards import RewardFactory
RewardFactory.register ("CustomReward", CustomReward)最后，用戶只需要在配置文件中填寫自定義的獎勵模型即可：
reward_class:
id: "CustomReward" # 自定義獎勵模型名稱
args: {} # 用戶自定義獎勵函數可能用到的參數自定義訓練過程信息輸出
OpenRL 還支持用戶自定義 wandb 和 tensorboard 的輸出內容。例如，在該任務的訓練過程中，我們還需要輸出各種類型獎勵的信息和 KL 散度系數的信息， 用戶可以在 nlp_ppo.yaml 文件中加入 vec_info_class 參數來實現:
# nlp_ppo.yaml
vec_info_class:
id: "NLPVecInfo" # 調用 NLPVecInfo 類以打印 NLP 任務中獎勵函數的信息
# 設置 wandb 信息
wandb_entity: openrl # 這里用于指定 wandb 團隊名稱，請把 openrl 替換為你自己的團隊名稱
experiment_name: train_nlp # 這里用于指定實驗名稱
run_dir: ./run_results/ # 這里用于指定實驗數據保存的路徑
log_interval: 1 # 這里用于指定每隔多少個 episode 上傳一次 wandb 數據
# 自行填寫其他參數...修改完配置文件后，在 train_ppo.py 文件中啟用 wandb:
# train_ppo.py
agent.train (total_time_steps=100000, use_wandb=True)然后執行 python train_ppo.py –config nlp_ppo.yaml，稍后，便可以在 wandb 中看到如下的輸出:
從上圖可以看到，wandb 輸出了各種類型獎勵的信息和 KL 散度系數的信息。
如果用戶還需要輸出其他信息，還可以參考 NLPVecInfo 類 和 VecInfo 類來實現自己的 CustomVecInfo 類。然后，需要在 train_ppo.py 中注冊自定義的 CustomVecInfo 類:
# train_ppo.py # 注冊自定義輸出信息類
VecInfoFactory.register ("CustomVecInfo", CustomVecInfo)最后，只需要在 nlp_ppo.yaml 中填寫 CustomVecInfo 類即可啟用：
# nlp_ppo.yaml
vec_info_class:
id: "CustomVecInfo" # 調用自定義 CustomVecInfo 類以輸出自定義信息使用混合精度訓練加速
OpenRL 還提供了一鍵開啟混合精度訓練的功能。用戶只需要在配置文件中加入以下參數即可：
# nlp_ppo.yaml
use_amp: true # 開啟混合精度訓練對比評測
下表格展示了使用 OpenRL 訓練該對話任務的結果。結果顯示使用強化學習訓練后，模型各項指標皆有所提升。另外，從下表可以看出，相較于 RL4LMs ， OpenRL 的訓練速度更快（在同樣 3090 顯卡的機器上，速度提升 17% ），最終的性能指標也更好：
最后，對于訓練好的智能體，用戶可以方便地通過 agent.chat () 接口進行對話：
# chat.py
from openrl.runners.common import ChatAgent as Agent
def chat ():
agent = Agent.load ("./ppo_agent", tokenizer="gpt2",)
history = []
print ("Welcome to OpenRL!")
while True:
input_text = input ("> User:")
if input_text == "quit":
break
elif input_text == "reset":
history = []
print ("Welcome to OpenRL!")
continue
response = agent.chat (input_text, history)
print (f"> OpenRL Agent: {response}")
history.append (input_text)
history.append (response)
if __name__ == "__main__":
chat ()執行 python chat.py ，便可以和訓練好的智能體進行對話了：
總結
OpenRL 框架經過了 OpenRL-Lab 的多次迭代并應用于學術研究和 AI 競賽，目前已經成為了一個較為成熟的強化學習框架。OpenRL-Lab 團隊將持續維護和更新 OpenRL，歡迎大家加入我們的開源社區，一起為強化學習的發展做出貢獻。更多關于 OpenRL 的信息，可以參考:
- OpenRL 官方倉庫：https://github.com/OpenRL-Lab/openrl/
- OpenRL 中文文檔：https://openrl-docs.readthedocs.io/zh/latest/
致謝
OpenRL 框架的開發吸取了其他強化學習框架的優點：
- Stable-baselines3: 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
- Gymnasium: https://github.com/Farama-Foundation/Gymnasium
- DI-engine:https://github.com/opendilab/DI-engine/
- Tianshou: https://github.com/thu-ml/tianshou
- RL4LMs: https://github.com/allenai/RL4LMs
未來工作
目前，OpenRL 還處于持續開發和建設階段，未來 OpenRL 將會開源更多功能：
- 支持智能體自博弈訓練
- 加入離線強化學習、模范學習、逆強化學習算法
- 加入更多強化學習環境和算法
- 集成 Deepspeed 等加速框架
- 支持多機分布式訓練
OpenRL Lab 團隊
OpenRL框架是由OpenRL Lab團隊開發，該團隊是第四范式公司旗下的強化學習研究團隊。第四范式長期致力于強化學習的研發和工業應用。為了促進強化學習的產學研一體化，第四范式成立了OpenRL Lab研究團隊，目標是先進技術開源和人工智能前沿探索。成立不到一年，OpenRL Lab團隊已經在AAMAS發表過三篇論文，參加谷歌足球游戲 11 vs 11比賽并獲得第三的成績。團隊提出的TiZero智能體，實現了首個從零開始，通過課程學習、分布式強化學習、自博弈等技術完成谷歌足球全場游戲智能體的訓練：
截止 2022 年 10 月 28 日，Tizero 在及第評測平臺上排名第一：
