CN111191728B - 基于异步或同步的深度强化学习分布式训练方法及系统 - Google Patents

Abstract

本发明涉及一种基于异步或同步的深度强化学习分布式训练方法及系统，同步启动多个CPU执行同一程序，每个CPU初始化为相同的决策函数；实时收集每个CPU三元组数据到GPU；当三元组数据收集时间达到设定时长T，则GPU计算更新策略网络参数，每个CPU基于更新的策略网络参数更新所述决策函数。本发明将CPU和GPU结合使用，显着提高了硬件利用率的效率和规模，从而提高了学习速度。本发明可以采用多GPU数据采集的方式，打破了数据的相关性，提高了数据的有效性。本发明可应用于基于强化学习的游戏AI、推荐系统、智能交通等训练场景，可充分利用现有的计算资源，提高数据的采样效率以及算法的训练速度。

Description

基于异步或同步的深度强化学习分布式训练方法及系统

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于异步或同步的深度强化学习分布式训练方法及系统。

背景技术

强化学习任务通常使用马尔可夫决策过程(Markov Decision Process，简称MDP)来描述，具体而言：机器处在一个环境中，每个状态为机器对当前环境的感知；机器只能通过动作来影响环境，当机器执行一个动作后，会使得环境按某种概率转移到另一个状态；同时，环境会根据潜在的奖赏函数反馈给机器一个奖赏。综合而言，强化学习主要包含四个要素：状态、动作、转移概率以及奖赏函数。

传统的强化学习局限于动作空间和样本空间都很小，且一般是离散的情境下。然而比较复杂的、更加接近实际情况的任务则往往有着很大的状态空间和连续的动作空间。当输入数据为图像，声音时，往往具有很高维度，传统的强化学习很难处理，深度强化学习就是把深度学习对于的高维输入与强化学习结合起来。深度强化学习DRL是深度学习和强化学习的结合。这两种学习方式在很大程度上是正交问题，二者结合得很好。强化学习定义了优化的目标，深度学习给出了运行机制——表征问题的方式以及解决问题的方式。将强化学习和深度学习结合在一起，寻求一个能够解决任何人类级别任务的代理，得到了能够解决很多复杂问题的一种能力——通用智能。

深度强化学习DRL自提出以来，已在理论和应用方面均取得了显著的成果。尤其是谷歌DeepMind团队基于深度强化学习DRL研发的AlphaGo，将深度强化学习DRL成推上新的热点和高度，成为人工智能历史上一个新的里程碑。因此，深度强化学习DRL很值得大家研究。深度强化学习将有助于革新AI领域，它是朝向构建对视觉世界拥有更高级理解的自主系统迈出的一步。

深度强化学习面临很多的难点，其中包括样本利用率低、智能体训练时间长、计算力需求大、模型收敛慢等，特别是针对多智能体场景下，多智能体强化学习策略网络参数和价值网络参数搜索空间巨大，在大规模智能体场景中，随着智能体的规模越来越大，训练强化学习模型的计算力要求也在大幅度提升。

发明内容

针对训练强化学习模型的计算力不足的问题，本发明提供一种基于异步或同步的深度强化学习分布式训练方法及系统，将CPU和GPU结合使用，显着提高了硬件利用率的效率和规模，从而提高了学习速度。

为达到上述目的，本发明提供了一方面提供一种基于异步或同步的深度强化学习分布式训练方法，包括：

同步启动多个CPU执行同一程序，每个CPU初始化为相同的决策函数；

实时收集每个CPU三元组数据到GPU；

当三元组数据收集时间达到设定时长T，则GPU计算更新策略网络参数，每个CPU基于更新的策略网络参数更新所述决策函数。

进一步的，所述三元组数据为(s_t,a_t,r_t)，t表示时刻，s_t,a_t,r_t分别表示t时刻的状态、决策以及回报。

进一步的，GPU计算更新策略网络参数θ包括：

计算：

计算：

其中

γ为缩放因子，θ_v为价值网络参数，V(s_T；θ_v)为价值网络输出。

进一步的，每个CPU独立的和环境进行交互得到经验数据，各CPU线程之间相互独立。

进一步的，采用单GPU同步计算更新策略网络参数并更新到服务器或多个GPU异步计算更新策略网络参数并更新到服务器。

本发明另一方面提供一种基于异步或同步的深度强化学习分布式训练系统，包括GPU、多个CPU以及服务器；

多个CPU同步启动执行同一程序，每个CPU初始化为相同的决策函数；

所述GPU实时收集每个CPU三元组数据，当三元组数据收集时间达到设定时长T，则所述GPU计算更新策略网络参数至所述服务器；

每个CPU从所述服务器获取更新的策略网络参数并更新所述决策函数。

进一步的，所述三元组数据为(s_t,a_t,r_t)，t表示时刻，s_t,a_t,r_t分别表示t时刻的状态、决策以及回报。

进一步的，GPU计算更新策略网络参数θ包括：

计算：

计算：

其中

γ为缩放因子，θ_v为价值网络参数，V(s_T；θ_v)为价值网络输出。

进一步的，每个CPU独立的和环境进行交互得到经验数据，各CPU线程之间相互独立。

进一步的，所述GPU为一个，同步计算更新策略网络参数并更新到服务器；

或者所述GPU为多个，异步计算更新策略网络参数并更新到服务器。

本发明的上述技术方案具有如下有益的技术效果：

(1)本发明将CPU和GPU结合使用，显着提高了硬件利用率的效率和规模，从而提高了学习速度。

(2)本发明可以采用多GPU数据采集的方式，打破了数据的相关性，提高了数据的有效性。

(3)本发明可应用于基于强化学习的游戏AI、推荐系统、智能交通等训练场景，可充分利用现有的计算资源，提高数据的采样效率以及算法的训练速度。

附图说明

图1是深度强化学习分布式训练流程图；

图2更新过程示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

本专利针对强化学习训练过程中模型收敛速度慢、样本采样效率低等问题，提出基于同步与异步的分布式训练架构进行数据的采样与策略网络训练，从而加速强化学习的训练速度。目前基于Actor-Critic的深度强化学习算法中需要更新的网络包括策略网络π(a|s；θ)与价值网络V(s；θ_v)，价值网络是对给定状态的优劣判断，决策网络给定状态，输出可选决策或者所有可选决策的概率。

目前强化学习神经网络参数主流更新方法主要是基于BP(Back propagation)反向传播算法，在强化学习过程中，BP算法需要收集来自于智能体与环境交互产生的状态、决策以及回报(s_t,a_t,r_t)_t＝1..,T三元组数据，并基于此三元组对策略与价值网络进行更新。

假定价值网络参数为θ_v,策略网络参数为θ，则价值网络更新过程为

其中

γ为缩放因子，γ∈(0，1)，θ_v为价值网络参数，V(s_T；θ_v)为价值网络输出。

由于强化学习的训练过程需要大量的三元组数据，因此往往单机形式的采样以及梯度计算方式往往难以满足强化学习训练的要求，因此本发明提出基于多cpu并行采样，同步GPU或者异步GPU优化的框架进行强化学习训练。

在强化学习过程中，BP算法需要收集来自于智能体的多份策略或价值函数梯度，因此本发明采用n个CPU核心，每个CPU内核维护公共的神经网络一样的网络结构，这些CPU内核以同步的方式执行环境步骤，即每个CPU会独立的和环境进行交互得到经验数据，这些线程之间互不干扰，独立运行。在提交最后一个观察结果后在GPU上调用该批处理。一旦动作返回，模拟器再次步骤，依此类推，结合图1-2，其步骤包括：

S1同步启动所有CPU执行同一程序，每个CPU初始化为相同的决策函数；例如为多个游戏玩家运行同一游戏程序；

S2实时收集每个CPU三元组数据到GPU；同步执行每一个CPU核心的环境，每一个CPU根据决策函数，收集三元组数据到批处理；

S3当三元组数据收集时间达到设定时长T，则GPU计算更新策略网络参数并发送给每个CPU，每个CPU基于更新的策略网络参数更新所述决策函数。

在GPU中计算：

计算：

其中

γ为缩放因子，θ_v为价值网络参数，V(s_T；θ_v)为价值网络输出。

结合图2，各个工作节点进行数据收集及训练，并将数据发送给GPU，GPU将更新的策略网络参数由服务器发送给各个工作节点，各个工作节点继续完成训练。

本发明除采用多CPU采样单GPU计算梯度外，还可以采用多GPU采样与优化的方式，包括同步与异步两种方式，同步方式中各GPU通过采集三元组数据，各自计算对应的梯度，最后通过均值归约的方式计算新的参数，并将新的参数更新到参数服务器，异步方式中各GPU作为独立的数据采集-优化器，单独处理采集的数据并梯度更新，将更新的参数独立更新到参数服务器。

本发明另一方面提供一种基于异步或同步的深度强化学习分布式训练系统，包括GPU、多个CPU以及服务器；

多个CPU同步启动执行同一程序，每个CPU初始化为相同的决策函数；

所述GPU实时收集每个CPU三元组数据，当三元组数据收集时间达到设定时长T，则所述GPU计算更新策略网络参数至所述服务器；所述三元组数据为(s_t,a_t,r_t)，t表示时刻，s_t,a_t,r_t分别表示t时刻的状态、决策以及回报；

每个CPU从所述服务器获取更新的策略网络参数并更新所述决策函数。

GPU计算更新策略网络参数θ包括：

计算：

计算：

其中

γ为缩放因子，θ_v为价值网络参数，V(s_T；θ_v)为价值网络输出。

进一步的，每个CPU独立的和环境进行交互得到经验数据，各CPU线程之间相互独立。

进一步的，所述GPU为一个，同步计算更新策略网络参数并更新到服务器；或者所述GPU为多个，异步计算更新策略网络参数并更新到服务器。

综上所述，本发明涉及一种基于异步或同步的深度强化学习分布式训练方法及系统，同步启动多个CPU执行同一程序，每个CPU初始化为相同的决策函数；实时收集每个CPU三元组数据到GPU；当三元组数据收集时间达到设定时长T，则GPU计算更新策略网络参数，每个CPU基于更新的策略网络参数更新所述决策函数。本发明将CPU和GPU结合使用，显着提高了硬件利用率的效率和规模，从而提高了学习速度。本发明可以采用多GPU数据采集的方式，打破了数据的相关性，提高了数据的有效性。本发明可应用于基于强化学习的游戏AI、推荐系统、智能交通等训练场景，可充分利用现有的计算资源，提高数据的采样效率以及算法的训练速度。

应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (6)

1.一种基于异步或同步的深度强化学习分布式训练方法，其特征在于，包括：

同步启动多个CPU执行同一程序，每个CPU初始化为相同的决策函数；

实时收集每个CPU三元组数据到GPU；

当三元组数据收集时间达到设定时长T，则GPU计算更新策略网络参数，每个CPU基于更新的策略网络参数更新所述决策函数；

其中，

所述三元组数据为(s_t,a_t,r_t)，t表示时刻，s_t,a_t,r_t分别表示t时刻的状态、决策以及回报；

GPU计算更新策略网络参数θ包括：

计算：

计算：

其中

γ为缩放因子，θ_v为价值网络参数，V(s_T；θ_v)为价值网络输出。

2.根据权利要求1所述的基于异步或同步的深度强化学习分布式训练方法，其特征在于，每个CPU独立地和环境进行交互得到经验数据，各CPU线程之间相互独立。

3.根据权利要求1所述的基于异步或同步的深度强化学习分布式训练方法，其特征在于，采用单GPU同步计算更新策略网络参数并更新到服务器或多个GPU异步计算更新策略网络参数并更新到服务器。

4.一种基于异步或同步的深度强化学习分布式训练系统，其特征在于，包括GPU、多个CPU以及服务器；

多个CPU同步启动执行同一程序，每个CPU初始化为相同的决策函数；

所述GPU实时收集每个CPU三元组数据，当三元组数据收集时间达到设定时长T，则所述GPU计算更新策略网络参数至所述服务器；

每个CPU从所述服务器获取更新的策略网络参数并更新所述决策函数；

其中，

所述三元组数据为(s_t,a_t,r_t)，t表示时刻，s_t,a_t,r_t分别表示t时刻的状态、决策以及回报；

GPU计算更新策略网络参数θ包括：

计算：

计算：

其中

γ为缩放因子，θ_v为价值网络参数，V(s_T；θ_v)为价值网络输出。

5.根据权利要求4所述的基于异步或同步的深度强化学习分布式训练系统，其特征在于，每个CPU独立的和环境进行交互得到经验数据，各CPU线程之间相互独立。

6.根据权利要求4所述的基于异步或同步的深度强化学习分布式训练系统，其特征在于：

所述GPU为一个，同步计算更新策略网络参数并更新到服务器；或者所述GPU为多个，异步计算更新策略网络参数并更新到服务器。

Images