作為一名快樂的肥宅，玩游戲是居家必備，無論是王者榮耀、吃雞、原神這些大熱游戲，還是跳一跳、合成大西瓜、2048、這些風靡一時得小游戲，咱都有涉及。但是為了成為一個“頭號玩家”，我總是瘋狂的去個各大社區、網站尋找各種攻略，跟著攻略成長，我時常在想，什么時候俺才能成為一代攻略大神啊，讓大家學習我的技術，豈不是很刺激！

靈光一閃，畢竟我是個有點小技術的肥宅，曾經也癡迷過deepmind，跑過AlphaGo，這不得訓練一個AI玩一玩。

強化學習訓練2048游戲，

觀察AI如何找到出口？

既然要練手，那就先從2048這種簡單，不考驗操作，純策略的游戲入手吧。在網上搜羅了一番，果然讓我找到了開源的2048游戲環境，GitHub地址：

https://github.com/rgal/gym-2048。

下一步就是把這個算法和強化學習結合了。

算法部分很簡單，目前我才用的是最傳統的DQN，10分鐘就可以達到一個還可以的模型效果。如果小伙伴們有想法，可以試試RainBow，PPO，A2C，SAC這類算法，相信會獲得更佳的效果。

我開發這個模型，用的是來自華為云的ModelArts（它是一個在線、開箱即用的AI平臺，還有免費的GPU算力，每天不限次數使用，不要太爽！），所以代碼是在ipynb中跑的。

整體步驟大概可以分為3步：

1.創建游戲環境

2.創建DQN算法

def learn（self， buffer）： # 當replaybuffer中存儲的數據大于batchsize時，從中隨機采樣一個batch的數據學習 if buffer.size 》=self.args.batch_size： # 更新target_model的參數 if self.learn_step_counter %args.target_update_freq == 0： self.target_model.load_state_dict（self.behaviour_model.state_dict（）） self.learn_step_counter += 1 # 從replaybuffer中隨機采樣一個五元組（當前觀測值，動作，下一個觀測值，是否一局結束，獎勵值） s1， a， s2， done， r =buffer.get_sample（self.args.batch_size） s1 =torch.FloatTensor（s1）.to（device） s2 = torch.FloatTensor（s2）.to（device） r = torch.FloatTensor（r）.to（device） a = torch.LongTensor（a）.to（device） if args.use_nature_dqn： q =self.target_model（s2）.detach（） else： q = self.behaviour_model（s2） # 每個動作的q值=r+gamma*（1-0或1）*q_max target_q = r +torch.FloatTensor（args.gamma * （1 - done））.to（device） * q.max（1）［0］ target_q =target_q.view（args.batch_size， 1） eval_q = self.behaviour_model（s1）.gather（1，torch.reshape（a， shape=（a.size（）［0］， -1））） # 計算損失函數 loss = self.criterion（eval_q，target_q） self.optimizer.zero_grad（） loss.backward（） self.optimizer.step（） def get_action（self， state， explore=True）： # 判斷是否探索，如果探索，則采用貪婪探索策略決定行為 if explore： if np.random.uniform（） 》=args.epsilon： action = randint（0，self.action_dim - 1） else： # Choose the best action accordingto the network. q =self.behaviour_model（torch.FloatTensor（state）.to（device）） m， index = torch.max（q， 1） action =index.data.cpu（）.numpy（）［0］ else： q = self.behaviour_model（torch.FloatTensor（state）.to（device）） m， index = torch.max（q， 1） action =index.data.cpu（）.numpy（）［0］ return action classReplayBuffer： def __init__（self， buffer_size， obs_space）： self.s1 = np.zeros（obs_space， dtype=np.float32） self.s2 = np.zeros（obs_space，dtype=np.float32） self.a = np.zeros（buffer_size，dtype=np.int32） self.r = np.zeros（buffer_size，dtype=np.float32） self.done = np.zeros（buffer_size，dtype=np.float32） # replaybuffer大小 self.buffer_size = buffer_size self.size = 0 self.pos = 0 # 不斷將數據存儲入buffer def add_transition（self， s1， action， s2，done， reward）： self.s1［self.pos］ = s1 self.a［self.pos］ = action if not done： self.s2［self.pos］ = s2 self.done［self.pos］ = done self.r［self.pos］ = reward self.pos = （self.pos + 1） %self.buffer_size self.size = min（self.size + 1，self.buffer_size） # 隨機采樣一個batchsize def get_sample（self， sample_size）： i = sample（range（0， self.size）， sample_size） return self.s1［i］， self.a［i］，self.s2［i］， self.done［i］， self.r［i］

3.創建網絡模型

此處我用的就是一個非常簡單的三層卷積網絡

classNet（nn.Module）： #obs是狀態空間輸入，available_actions_count為動作輸出維度 def __init__（self， obs，available_actions_count）： super（Net， self）.__init__（） self.conv1 = nn.Conv2d（obs， 128，kernel_size=2， stride=1） self.conv2 = nn.Conv2d（128， 64，kernel_size=2， stride=1） self.conv3 = nn.Conv2d（64， 16，kernel_size=2， stride=1） self.fc1 = nn.Linear（16，available_actions_count） self.relu = nn.ReLU（inplace=True） def forward（self， x）： x = x.permute（0， 3， 1， 2） x = self.relu（self.conv1（x）） x = self.relu（self.conv2（x）） x = self.relu（self.conv3（x）） x = self.fc1（x.view（x.shape［0］， -1）） return x

完成以上三步，就可以愉快的開始訓練啦：

print（‘

training.。。’）begin_t= time.time（）max_reward= 0fori_episode in range（args.epochs）： # 每局開始，重置環境 s = env.reset（） # 累計獎勵值 ep_r = 0 while True： # 計算動作 a = dqn.get_action（np.expand_dims（s，axis=0）） # 執行動作 s_， r， done， info = env.step（a） # 存儲信息 memory.add_transition（s， a， s_， done，r） ep_r += r # 學習優化過程 dqn.learn（memory） if done： print（‘Ep： ’， i_episode， ‘| Ep_r： ’， round（ep_r， 2）） if ep_r 》 max_reward： max_reward = ep_r print（“current_max_reward{}”.format（max_reward）） # 保存模型 torch.save（dqn.behaviour_model，“2048.pt”） break s = s_print（“finish！time cost is {}s”.format（time.time（） - begin_t））

我只訓練了10分鐘，在這個不能錯步的嚴格環境下，推理時可以達到256分，如果采用更先進算法，更長的訓練時間，2048不是夢。

詳細代碼獲取方式：

通過此鏈接可直接在線運行，或者下載

https://marketplace.huaweicloud.com/markets/aihub/notebook/detail/？id=3a11d09b-85f5-4ae4-b4a7-9b19be2b444d

這個技術來源是我在去年華為云AI全棧成長計劃中接觸到的，據說今年華為云又開始了新一輪【AI實戰營】，6大分類實戰營Python、ModelArts、MindSpore AI框架、深度、強化、機器學習，助我們成為“AI王者”！

編輯：jq