大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



最近几年，智能体技术越来越火。从游戏AI到自动驾驶，从聊天机器人到自动化交易系统，智能体正在改变我们与技术互动的方式。简单来说，智能体就是一个能感知环境、做出决策并采取行动的程序。

强化学习是训练智能体的主要方法之一。通过PyTorch这样的深度学习框架，配合Gymnasium这样的强化学习环境库，我们可以相对轻松地构建和训练自己的智能体。今天我们就从最经典的CartPole平衡问题开始，带你一步步搭建你的第一个智能体。

2.1 安装必要工具

首先确保你已经安装了Python 3.8或更高版本。然后创建一个新的虚拟环境：

python -m venv rl_env source rl_env/bin/activate # Linux/Mac rl_envScriptsactivate # Windows 

接下来安装必要的库：

pip install torch gymnasium matplotlib 

2.2 验证环境

让我们先快速验证一下环境是否正常工作：

import gymnasium as gym env = gym.make(“CartPole-v1”) observation, info = env.reset() print(“初始观察值:”, observation) env.close() 

如果运行后看到类似“初始观察值: [-0.012 0.041 -0.03 0.039]”的输出，说明环境已经正确安装。

CartPole是一个经典的强化学习测试环境。问题描述很简单：一个小车可以在轨道上左右移动，车上有一根可以自由旋转的杆子。你的目标是控制小车移动，让杆子保持直立不倒。

环境会给你4个观察值：

1. 小车位置
2. 小车速度
3. 杆子角度
4. 杆子顶端速度

你的智能体需要根据这些观察值，决定是向左推(0)还是向右推(1)小车。每保持杆子直立一步，就会得到1分的奖励。如果杆子倾斜超过15度，或者小车移动超过轨道边界，游戏就结束了。

4.1 设计策略网络

我们的智能体需要一个“大脑”来做决策。这里我们用一个简单的神经网络：

import torch import torch.nn as nn import torch.nn.functional as F

class PolicyNetwork(nn.Module):

def __init__(self): super().__init__() self.fc1 = nn.Linear(4, 128) # 输入层：4个观察值 self.fc2 = nn.Linear(128, 2) # 输出层：2个动作 def forward(self, x): x = F.relu(self.fc1(x)) x = F.softmax(self.fc2(x), dim=-1) return x 

这个网络接收4个观察值，经过一个128个神经元的隐藏层，最后输出两个动作的概率分布。

4.2 理解网络输出

网络最后使用了softmax激活函数，这意味着它会输出两个动作的概率。比如可能输出[0.7, 0.3]，表示有70%的概率选择动作0(左推)，30%的概率选择动作1(右推)。

这种概率性的选择在强化学习中很重要，因为它允许智能体探索不同的动作，而不是总是选择当前看起来最好的动作。

5.1 训练循环的基本结构

训练一个强化学习智能体通常包含以下几个步骤：

1. 让智能体与环境交互，收集经验
2. 根据这些经验计算“好”动作和“不好”动作
3. 调整网络参数，使智能体更倾向于选择“好”动作
4. 重复上述过程

让我们来实现这个训练循环：

def train(env, policy, episodes=1000, learning_rate=0.01):

optimizer = torch.optim.Adam(policy.parameters(), lr=learning_rate) for episode in range(episodes): obs, _ = env.reset() done = False rewards = [] log_probs = [] # 与环境交互 while not done: obs_tensor = torch.FloatTensor(obs) action_probs = policy(obs_tensor) # 根据概率选择动作 action = torch.multinomial(action_probs, 1).item() log_prob = torch.log(action_probs[action]) obs, reward, terminated, truncated, _ = env.step(action) done = terminated or truncated rewards.append(reward) log_probs.append(log_prob) # 计算并应用梯度 returns = [] R = 0 for r in reversed(rewards): R = r + 0.99 * R # 折扣因子0.99 returns.insert(0, R) returns = torch.FloatTensor(returns) returns = (returns - returns.mean()) / (returns.std() + 1e-9) policy_loss = [] for log_prob, R in zip(log_probs, returns): policy_loss.append(-log_prob * R) optimizer.zero_grad() loss = torch.stack(policy_loss).sum() loss.backward() optimizer.step() if episode % 50 == 0: print(f"Episode {episode}, 总奖励: {sum(rewards)}") 

5.2 开始训练

现在我们可以创建环境实例和策略网络，然后开始训练：

env = gym.make(“CartPole-v1”) policy = PolicyNetwork() train(env, policy, episodes=1000) 

训练过程中你会看到每50个episode输出一次总奖励。随着训练进行，这个数字应该会逐渐增加，说明智能体正在学习如何保持杆子平衡。

训练完成后，让我们看看智能体的表现：

def test(env, policy, episodes=10): for episode in range(episodes): obs, _ = env.reset() done = False total_reward = 0 while not done: obs_tensor = torch.FloatTensor(obs) action_probs = policy(obs_tensor) action = torch.argmax(action_probs).item() obs, reward, terminated, truncated, _ = env.step(action) done = terminated or truncated total_reward += reward print(f"测试Episode {episode}, 总奖励: {total_reward}") test(env, policy) 

理想情况下，经过足够训练后，智能体应该能在大多数测试中达到200分的满分(这是CartPole-v1环境的最高分限制)。

为了更直观地理解训练过程，我们可以绘制奖励随训练次数的变化：

import matplotlib.pyplot as plt def train_with_logging(env, policy, episodes=1000): # ... (与之前相同的训练代码，但添加以下内容) episode_rewards = [] for episode in range(episodes): # ... (之前的训练循环代码) episode_rewards.append(sum(rewards)) plt.plot(episode_rewards) plt.xlabel("Episode") plt.ylabel("Total Reward") plt.title("训练过程") plt.show() env = gym.make("CartPole-v1") policy = PolicyNetwork() train_with_logging(env, policy) 

这张图会显示智能体的表现如何随着训练逐步提升。一开始奖励可能很低，随着训练进行，曲线应该会稳步上升。

现在你已经成功训练了第一个强化学习智能体！如果想继续深入学习，可以考虑以下方向：

1. 尝试更复杂的环境，如LunarLander或Atari游戏
2. 实现更高级的算法，如DQN、PPO或SAC
3. 添加经验回放(experience replay)机制
4. 尝试连续动作空间的问题
5. 探索多智能体强化学习

强化学习是一个广阔的领域，这个简单的CartPole示例只是冰山一角。随着你深入学习，你会发现更多有趣且具有挑战性的问题等待解决。

---

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。