0

0

极简MuZero算法实践——Paddle2.0版本

P粉084495128

P粉084495128

发布时间:2025-07-21 10:24:57

|

830人浏览过

|

来源于php中文网

原创

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。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

极简muzero算法实践——paddle2.0版本 - php中文网

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

极简MuZero算法实践——Paddle2.0版本 - php中文网

  • 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:

Getimg.ai
Getimg.ai

getimg.ai是一套神奇的ai工具。生成大规模的原始图像

下载
  • 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 deque

env = gym.make('CartPole-v0')
hidden_dims = 128o_dim = env.observation_space.shape[0]


act_dim  = env.action_space.n

Representation_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 ,p
mu = MuZero_Agent(128,2)
mu.train()
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()
100%|██████████| 2000/2000 [07:18<00:00,  4.56it/s]
In [ ]
# 模型保存model_state_dict = mu.state_dict()
paddle.save(model_state_dict, "mu.pdparams")
In [4]
import matplotlib.pyplot as plt
plt.plot(scores)
plt.plot(avg_scores)
plt.xlabel('episode')
plt.legend(['scores', 'avg scores'])
plt.title('scores')
plt.ylim(0, 200)
plt.show()
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 plt
tests = 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()

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

热门AI工具

更多
DeepSeek
DeepSeek

幻方量化公司旗下的开源大模型平台

豆包大模型
豆包大模型

字节跳动自主研发的一系列大型语言模型

通义千问
通义千问

阿里巴巴推出的全能AI助手

腾讯元宝
腾讯元宝

腾讯混元平台推出的AI助手

文心一言
文心一言

文心一言是百度开发的AI聊天机器人,通过对话可以生成各种形式的内容。

讯飞写作
讯飞写作

基于讯飞星火大模型的AI写作工具,可以快速生成新闻稿件、品宣文案、工作总结、心得体会等各种文文稿

即梦AI
即梦AI

一站式AI创作平台,免费AI图片和视频生成。

ChatGPT
ChatGPT

最最强大的AI聊天机器人程序,ChatGPT不单是聊天机器人,还能进行撰写邮件、视频脚本、文案、翻译、代码等任务。

相关专题

更多
页面置换算法
页面置换算法

页面置换算法是操作系统中用来决定在内存中哪些页面应该被换出以便为新的页面提供空间的算法。本专题为大家提供页面置换算法的相关文章,大家可以免费体验。

407

2023.08.14

俄罗斯Yandex引擎入口
俄罗斯Yandex引擎入口

2026年俄罗斯Yandex搜索引擎最新入口汇总,涵盖免登录、多语言支持、无广告视频播放及本地化服务等核心功能。阅读专题下面的文章了解更多详细内容。

31

2026.01.28

包子漫画在线官方入口大全
包子漫画在线官方入口大全

本合集汇总了包子漫画2026最新官方在线观看入口,涵盖备用域名、正版无广告链接及多端适配地址,助你畅享12700+高清漫画资源。阅读专题下面的文章了解更多详细内容。

10

2026.01.28

ao3中文版官网地址大全
ao3中文版官网地址大全

AO3最新中文版官网入口合集,汇总2026年主站及国内优化镜像链接,支持简体中文界面、无广告阅读与多设备同步。阅读专题下面的文章了解更多详细内容。

32

2026.01.28

php怎么写接口教程
php怎么写接口教程

本合集涵盖PHP接口开发基础、RESTful API设计、数据交互与安全处理等实用教程,助你快速掌握PHP接口编写技巧。阅读专题下面的文章了解更多详细内容。

1

2026.01.28

php中文乱码如何解决
php中文乱码如何解决

本文整理了php中文乱码如何解决及解决方法,阅读节专题下面的文章了解更多详细内容。

3

2026.01.28

Java 消息队列与异步架构实战
Java 消息队列与异步架构实战

本专题系统讲解 Java 在消息队列与异步系统架构中的核心应用,涵盖消息队列基本原理、Kafka 与 RabbitMQ 的使用场景对比、生产者与消费者模型、消息可靠性与顺序性保障、重复消费与幂等处理,以及在高并发系统中的异步解耦设计。通过实战案例,帮助学习者掌握 使用 Java 构建高吞吐、高可靠异步消息系统的完整思路。

8

2026.01.28

Python 自然语言处理(NLP)基础与实战
Python 自然语言处理(NLP)基础与实战

本专题系统讲解 Python 在自然语言处理(NLP)领域的基础方法与实战应用,涵盖文本预处理(分词、去停用词)、词性标注、命名实体识别、关键词提取、情感分析,以及常用 NLP 库(NLTK、spaCy)的核心用法。通过真实文本案例,帮助学习者掌握 使用 Python 进行文本分析与语言数据处理的完整流程,适用于内容分析、舆情监测与智能文本应用场景。

23

2026.01.27

拼多多赚钱的5种方法 拼多多赚钱的5种方法
拼多多赚钱的5种方法 拼多多赚钱的5种方法

在拼多多上赚钱主要可以通过无货源模式一件代发、精细化运营特色店铺、参与官方高流量活动、利用拼团机制社交裂变,以及成为多多进宝推广员这5种方法实现。核心策略在于通过低成本、高效率的供应链管理与营销,利用平台社交电商红利实现盈利。

122

2026.01.26

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
相关推荐
/
热门推荐
/
最新课程
10分钟--Midjourney创作自己的漫画
10分钟--Midjourney创作自己的漫画

共1课时 | 0.1万人学习

Midjourney 关键词系列整合
Midjourney 关键词系列整合

共13课时 | 0.9万人学习

AI绘画教程
AI绘画教程

共2课时 | 0.2万人学习

关于我们 免责申明 举报中心 意见反馈 讲师合作 广告合作 最新更新
php中文网:公益在线php培训,帮助PHP学习者快速成长!
关注服务号 技术交流群
PHP中文网订阅号
每天精选资源文章推送

Copyright 2014-2026 https://www.php.cn/ All Rights Reserved | php.cn | 湘ICP备2023035733号