class="topic_img" alt=""/>
今天，英特尔发布了一个新的开源增强学习框架 Coach。该框架利用多核 CPU 处理能力，用于训练和评估增强学习 Agent。Coach 包含一些领先的增强学习算法的多线程实现，适用于各种游戏和机器人环境。它能够在台式计算机上高效地训练强化学习 Agent，而无需任何额外的硬件。
自从 2016 年推出用于深层加强学习的异步方法以来，许多算法通过在许多 CPU 内核中并行运行多个实例，能够更快地实现更好的策略。到目前为止，这些算法包括 A3C 、DDPG、PPO、DFP 和 NAF，而 Coach 不仅包括上述等最新算法的实现，更可以帮助用户现场搭建使用。
要使用 Coach 首先需要定义想要解决的问题，或选择一个现有问题，然后选择一套强化学习算法来解决问题。Coazh 可以使用现有算法进行简单的实验，并用作沙盒（雷锋网注：沙盒是在受限的安全环境中运行应用程序的一种做法，这种做法是要限制授予应用程序的代码访问权限，便于在开发测试中的调试）以简化新算法的开发。框架定义了一组用于强化学习的 API 和关键组件，使用户能够轻松地重用组件，并在现有的组件之上构建新的算法。
Coach 可与如 OpenAI Gym、Roboschool 和 ViZDoom 等顶级环境进行集成，同时它还提供了可视化培训过程和了解代理的基本机制的各种技术，所有的算法都是使用英特尔优化的 TensorFlow 来实现的，也可以通过 Intel 的 neon™框架来实现。
Agent
Coach 包含许多 Agent 类型的实现，包括从单线程实现到多线程实现的无缝转换。Agent 以模块化方式实现，以允许重用不同的构建块来构建新的和更复杂的代理。此外，Coach 可以在单个任务的基础上编写新的 Agent，并切换到同步或异步的多任务实现，并进行最少的更改。
在 Coach 中集成了过去几年引入的各种 Agent 类型的实现方式，这让用户解决具有不同需求和与代理交互的方式的环境，例如连续和离散的动作空间，视觉观察空间或仅包括原始测量的观察空间。
环境
Coach 使用 OpenAI Gym 作为与不同环境进行交互的主要工具。它还支持 Gym 的外部扩展，包括 Roboschool， gym-extensions 和 PyBullet, 其环境封装器可以添加更多的自定义环境，以解决更广泛的学习问题。
可视化
Intel 还发布了 Coach Dashboard 作为可视化和调试的补充工具。Dashboard 是 Coach 的一个图形用户界面，通过展示训练过程中的不同信号，可以让用户以简单易懂的方式比较不同方式运行的训练质量。在训练期间，Coach 可跟踪任何有意义的内部信息并存储，以便在执行期间和完成后可视化进度。
Coach 还支持其他调试和可视化方法，例如存储最佳场景的 GIF 动画，在游戏过程中显示动作值，等等。
使用
为方便用户使用 Coach，Intel 已经开放了 GitHub 信息库，然后按照的机器上安装 Coach 的说明进行操作即可。Intel 还提供了友好的帮助文件，在 GitHub 存储库 README 文档中有几个简单的例子，同时在官网还有一个更全面的使用和实现文档。
Coach 已经准备了超过 60 个预定义的预设、不同的代理和可用的环境。这些预设已经用于训练数百名 Agent，并经过验证以获得良好的业绩。但是，使用这些预设并不是强制性的，并且创建新的预设与选择现有代理和现有环境一样容易。
下一步，Intel 计划在未来的版本中增加更多算法和环境，如果你有任何建议和评论，可以在 Github 上进行互动。
雷锋网发现，目前不少巨头均推出了自己的深度学习框架，如 Google 的 TensorFlow、Amazon 的 MxNet、Facebook 的 Caffe 2 等。这些深度学习框架的流行降低了深度学习的门槛，让越来越多人开始参与到深度学习当中，但在降低门槛后如何提高训练的效率也成为了差异化的关键因素，这也是是多线程并行计算、多机器上的水平扩展甚至定制硬件最近开始得势的原因。
相关文章
