首页 游戏 软件 资讯 排行榜 专题
首页
AI
极简MuZero算法实践——Paddle2.0版本

极简MuZero算法实践——Paddle2.0版本

热心网友
98
转载
2025-07-21
DeepMind的MuZero算法继AlphaFold后走红,无需人类知识和规则,能通过分析环境与未知条件博弈。其极简实现含三个模型,通过强化学习训练。在CartPole-v0环境测试,经2000轮训练,模型可完美掌握游戏,展现出超越前代的潜力,未来计划在更多环境复现。

极简muzero算法实践——paddle2.0版本 - 游乐网

继AlphaFold 大火之后,DeepMind 又一款算法蹿红。12 月 23 日,DeepMind 在正式发表博文 MuZero: Mastering Go, chess, shogi and Atari without rules,并详细介绍了这款名为 MuZero 的 AI 算法。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新! 👉 点此立即查看 👈

极简MuZero算法实践——Paddle2.0版本 - 游乐网

AlphaGo 提供了人类知识(Human Knowledge)和规则(Rules),因此可训练出一个大的策略树,来完成搜索、以及帮助做出决策;AlphaGo Zero 去掉了人类知识部分,而是只给 AI 提供规则,然后通过自我博弈,就能学习出自己的策略;AlphaZero 则可通过完全信息,利用泛化能力更强的强化学习算法来做训练,并学会不同的游戏,如围棋、国际象棋和日本将棋。MuZero 则是前级阶段的升级版,即在没有人类知识以及规则的情况下,,它能通过分析环境和未知条件(Unknown Dynamics),来进行不同游戏的博弈。

本项目是一个极简的MuZero的实现,没有使用MCTS方法,模型由Representation_model、Dynamics_Model、Prediction_Model构成:

Representation_model将一组观察值映射到神经网络的隐藏状态s;动态Dynamics_Model根据动作a_(t + 1)将状态s_t映射到下一个状态s_(t + 1),同时估算在此过程的回报r_t,这样模型就能够不断向前扩展;预测Prediction_Model 根据状态s_t对策略p_t和值v_t进行估计;In [1]
import gymimport numpy as npimport paddleimport paddle.nn as nn import paddle.optimizer as optimimport paddle.nn.functional as Fimport copyimport randomfrom tqdm import tqdmfrom collections import dequeenv = gym.make('CartPole-v0')hidden_dims = 128o_dim = env.observation_space.shape[0]act_dim  = env.action_space.nRepresentation_model= paddle.nn.Sequential(    paddle.nn.Linear(        o_dim, 128),    paddle.nn.ELU(),    paddle.nn.Linear(128, hidden_dims),        )# paddle.summary(h, (50,4))class Dynamics_Model(paddle.nn.Layer):    # action encoding - one hot        def __init__(self, num_hidden, num_actions):         super().__init__()                self.num_hidden = num_hidden        self.num_actions = num_actions        network = [        nn.Linear(self.num_hidden+self.num_actions, self.num_hidden),        nn.ELU(),        nn.Linear(self.num_hidden,128),        ]               self.network = nn.Sequential(*network)           self.hs =  nn.Linear(128,self.num_hidden)        self.r =  nn.Linear(128,1)    def forward(self, hs,a):        out = paddle.concat(x=[hs, a], axis=-1)        out = self.network(out)        hidden =self.hs(out)         reward = self.r(out)                                return hidden, reward# D = Dynamics_Model(hidden_dims,act_dim)# paddle.summary(D, [(2,hidden_dims),(2,2)])class Prediction_Model(paddle.nn.Layer):        def __init__(self, num_hidden, num_actions):        super().__init__()                self.num_actions = num_actions        self.num_hidden = num_hidden                network = [            nn.Linear(num_hidden, 128),            nn.ELU(),            nn.Linear(128, 128),            nn.ELU(),        ]               self.network = nn.Sequential(*network)        self.pi =  nn.Linear(128,self.num_actions)        self.soft = nn.Softmax()        self.v =  nn.Linear(128,1)    def forward(self, x):        out = self.network(x)        p = self.pi(out)        p =self.soft(p)        v = self.v(out)               return v, p  # P= Prediction_Model(hidden_dims,act_dim)# paddle.summary(P, [(32,hidden_dims)])class MuZero_Agent(paddle.nn.Layer):        def __init__(self,num_hidden ,num_actions):        super().__init__()        self.num_actions = num_actions        self.num_hidden = num_hidden                self.representation_model = Representation_model        self.dynamics_model = Dynamics_Model(self.num_hidden,self.num_actions)        self.prediction_model = Prediction_Model(self.num_hidden,self.num_actions)                  def forward(self, s,a):        s_0 = self.representation_model(s)        s_1 ,r_1 = self.dynamics_model(s_0 , a)        value , p = self.prediction_model(s_1)            return r_1, value ,pmu = MuZero_Agent(128,2)mu.train()
登录后复制In [2]
buffer = deque(maxlen=500)def choose_action(env, evaluate=False):    values = []    # mu.eval()    for a in range(env.action_space.n):        e = copy.deepcopy(env)        o, r, d, _ = e.step(a)        act = np.zeros(env.action_space.n); act[a] = 1        state = paddle.to_tensor(list(e.state), dtype='float32')        action = paddle.to_tensor(act, dtype='float32')        # print(state,action)                rew, v, pi = mu(state, action)                v = v.numpy()[0]            values.append(v)    # mu.train()    if evaluate:        return np.argmax(values)    else:        for i in range(len(values)):            if values[i] < 0:                values[i] = 0        s = sum(values)        if s == 0:            return np.random.choice(values)        for i in range(len(values)):            values[i] /= s        # print(values)        return np.random.choice(range(env.action_space.n), p=values)gamma = 0.997batch_size = 64  ##64evaluate = Falsescores = []avg_scores = []epochs = 2_000optim = paddle.optimizer.Adam(learning_rate=1e-3,parameters=mu.parameters())mse_loss = nn.MSELoss()for episode in tqdm(range(epochs)):    obs = env.reset()    done = False    score = 0    while not done:                a = choose_action(env, evaluate=evaluate)        a_pi = np.zeros((env.action_space.n)); a_pi[a] = 1        obs_, r, done, _ = env.step(a)        score += r        buffer.append([obs, None, a_pi, r/200])        obs = obs_    #print(f'score: {score}')    scores.append(score)    if len(scores) >= 100:        avg_scores.append(np.mean(scores[-100:]))    else:        avg_scores.append(np.mean(scores))            cnt = score    for i in range(len(buffer)):        if buffer[i][1] == None:            buffer[i][1] = cnt / 200            cnt -= 1    assert(cnt == 0)        if len(buffer) >= batch_size:        batch = []        indexes = np.random.choice(len(buffer), batch_size, replace=False)        for i in range(batch_size):            batch.append(buffer[indexes[i]])        states = paddle.to_tensor([transition[0] for transition in batch], dtype='float32')        values = paddle.to_tensor([transition[1] for transition in batch], dtype='float32')        values = paddle.reshape(values,[batch_size,-1])        policies = paddle.to_tensor([transition[2] for transition in batch], dtype='float32')        rewards = paddle.to_tensor([transition[3] for transition in batch], dtype='float32')        rewards = paddle.reshape(rewards,[batch_size,-1])        for _ in range(2):            # mu.train_on_batch([states, policies], [rewards, values, policies])            rew, v, pi = mu(states, policies)            # print("----rew---{}----v---{}----------pi---{}".format(rew, v, pi))            # print("----rewards---{}----values---{}----------policies---{}".format(rewards, values, policies))                                    policy_loss = -paddle.mean(paddle.sum(policies*paddle.log(pi), axis=1))            mse1 = mse_loss(rew, rewards)            mse2 =mse_loss(v,values)            # print(mse1,mse2 ,policy_loss)                                   loss = paddle.add_n([policy_loss,mse1,mse2])            # print(loss)            loss.backward()            optim.step()            optim.clear_grad()
登录后复制
100%|██████████| 2000/2000 [07:18<00:00,  4.56it/s]
登录后复制In [ ]
# 模型保存model_state_dict = mu.state_dict()paddle.save(model_state_dict, "mu.pdparams")
登录后复制In [4]
import matplotlib.pyplot as pltplt.plot(scores)plt.plot(avg_scores)plt.xlabel('episode')plt.legend(['scores', 'avg scores'])plt.title('scores')plt.ylim(0, 200)plt.show()
登录后复制
登录后复制登录后复制In [5]
# 模型测试 ,可以看到testing scores在100次测试中均为200,说明模型已经完全掌握了这个简单的游戏# 模型读取# model_state_dict = paddle.load("mu.pdparams")# mu.set_state_dict(model_state_dict)import matplotlib.pyplot as plttests = 100scores = []mu.eval()for episode in range(tests):    obs = env.reset()    done = False    score = 0    while not done:        a = choose_action(env, evaluate=True)              obs_, r, done, _ = env.step(a)        score += r        obs = obs_    scores.append(score)plt.plot(scores)plt.title('testing scores')plt.show()
登录后复制
登录后复制登录后复制

写在最后:

MuZero 能够对规则、环境进行建模, 与此同时它还能学会规则,这就是它的最大创新。也是因为这个,MuZero的搜索空间变得更大,所以计算量会大大增加,但理论上仍旧是强化学习。人类世界中的规则随时在变化,那么显然 Muzero 相比二代 AlphaZero 具有更好的生存能力。可以看到的是,Muzero 有潜力成为广泛使用的强化学习算法。后续有计划在Atari、Gomoku、Tic-tac-toe 等环境下复现Muzero算法
来源:https://www.php.cn/faq/1419376.html
免责声明: 游乐网为非赢利性网站,所展示的游戏/软件/文章内容均来自于互联网或第三方用户上传分享,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系youleyoucom@outlook.com。

相关攻略

Cardano(ADA)2026 年价格预测:Grok AI 分析与未来走势
web3.0
Cardano(ADA)2026 年价格预测:Grok AI 分析与未来走势

Cardano (ADA) 2026年价格预测:AI深度解析与增长路径 在瞬息万变的加密市场,人工智能分析正成为洞察未来趋势的关键工具。近期,由Grok AI模型发布的Cardano(ADA)2026年价格预测引发了广泛关注,其大胆展望ADA或有望触及两位数美元价格。这不仅彰显了AI数据分析的潜力,

热心网友
04.02
京东发起全民养虾计划 整合AI硬件与服务降低门槛
科技数码
京东发起全民养虾计划 整合AI硬件与服务降低门槛

京东“全民养虾计划”:开启AI助手体验新纪元 科技领域近期迎来一场别开生面的创新活动:京东正式推出“全民养虾计划”。表面看,它与美食相关,实际上是一场针对AI智能体技术普及的宏大实验。该计划通过“购买AI硬件、赠送专业安装服务与趣味小龙虾”的组合策略,为当前热门的开源AI智能体——OpenClaw,

热心网友
04.02
一波资本从以太坊(ETH)流出,进入TRON [TRX]
web3.0
一波资本从以太坊(ETH)流出,进入TRON [TRX]

以太坊资本外溢:TRON为何成为15 2亿美元稳定币新枢纽? 区块链世界的地壳运动从未停止,资本的流向便是其中最敏锐的震感。近期,一场规模惊人的资本迁徙正在上演:大量资金正从以太坊网络流出,涌入TRON生态。这不仅是简单的资产转移,更是一次深刻的行业风向标,揭示了用户对交易成本、网络效率与应用场景的

热心网友
04.02
自研第一个SKILL-openclaw入门
AI
自研第一个SKILL-openclaw入门

自研第一个SKILL:手把手教你开发openclaw自定义技能 当你成功构建好openclaw之后,如何让它真正“智能”起来?关键在于为其开发SKILL——这些技能是openclaw的“内功心法”,决定了它能帮你做什么、做多好。 本文将带你亲自动手,从零开始开发你的第一个openclaw自定义技能,

热心网友
04.02
消息称有国产 TOP5 手机厂商已合作豆包 AI 手机
科技数码
消息称有国产 TOP5 手机厂商已合作豆包 AI 手机

国产 TOP5 手机厂商被曝联手豆包 打造全新 AI 手机 手机行业再迎重磅 AI 合作!今日,知名数码爆料博主 @数码闲聊站 抛出了“豆包 AI 手机”的议题,并透露其已从内部渠道确认:一家位列国产前五的头部手机厂商,已与字节跳动旗下 AI 产品“豆包”达成深度合作协议。这标志着,AI 手机助理的

热心网友
04.02

最新APP

火柴人传奇
火柴人传奇
动作冒险 04-01
街球艺术
街球艺术
体育竞技 04-01
飞行员模拟
飞行员模拟
休闲益智 04-01
史莱姆农场
史莱姆农场
休闲益智 04-01
绝区零
绝区零
角色扮演 04-01

热门推荐

索拉拉是什么币?未来能涨多少?索拉拉币的详细信息介绍
web3.0
索拉拉是什么币?未来能涨多少?索拉拉币的详细信息介绍

索拉拉是什么币?未来能涨多少?索拉拉币的详细信息介绍 最近,圈内有个热议的话题:知名公链Solana正式确定了它的中文名——“索拉拉”。这个名字并非来自项目方的单方面决定,而是由社区发起、最终获得官方认可的集体智慧结晶。它取代了大家此前更耳熟能详的“索拉纳”。那么,这个新名字背后的索拉拉币究竟是什么

热心网友
04.02
低流动性加密货币风险:真实案例
web3.0
低流动性加密货币风险:真实案例

流动性是加密市场的静默引擎 想象一下,当市场的脉搏变弱,交易不再活跃,会发生什么?流动性,这个常常被忽视的指标,恰恰是维持价格稳定的关键。一旦它开始减弱,市场的脆弱性便会暴露无遗。交易量大幅下滑,买卖资产就像在狭窄的通道中穿行,一个不小心,就可能引发剧烈的价格波动。 这种情形并不罕见,通常在年末清淡

热心网友
04.02
如何使用坚果云上传文件-坚果云上传文件的方法
手机教程
如何使用坚果云上传文件-坚果云上传文件的方法

你是否在寻找安全便捷的云端文件存储方案? 坚果云很可能就是你需要的答案。作为一款高效的云存储服务,它让数据同步与文件管理变得异常轻松。本文将详细介绍坚果云的多种文件上传方法,帮助你快速掌握核心操作流程。 注册与登录坚果云 首先,访问坚果云的官方网站,完成账户的注册步骤。随后使用账号密码登录,系统将呈

热心网友
04.02
OPPO K15 Pro系列无缘16GB 产品经理直呼太贵
科技数码
OPPO K15 Pro系列无缘16GB 产品经理直呼太贵

OPPO K15 Pro系列4月1日发布:存储配置引热议 OPPO官方已正式宣布,K15 Pro系列新品将于4月1日正式发布。值得注意的是,尽管尚未正式亮相,该系列的两款新机目前已在OPPO官方商城开放预约。然而,官网配置信息揭示了一个值得关注的现象:全系列目前仅提供12GB运行内存(RAM)版本,

热心网友
04.02
《红色沙漠》采石场隐藏遗迹攻略分享
游戏攻略
《红色沙漠》采石场隐藏遗迹攻略分享

击败《红色沙漠》采石场的马罗尼采石机械后,BOSS战并未真正结束。游戏的深度探索,实际上始于一处隐秘遗迹的触发。你需要寻找到那个特定的入口,然后纵身跃下,方能正式踏入这片鲜为人知的地下秘境。 落地之后,挑战即刻开始。这片地下遗迹并非安宁之地,首先迎接你的往往是那些极具攻击性的球形守卫者,它们行动迅捷

热心网友
04.02