目录

一、环境准备

二、训练思路

1.训练初期：

2.思路整理及改进：

思路一：

思路二：

思路三：

思路四：

3.训练效果：

三、结果分析

四、完整代码

训练代码：

测试代码：

底模： 

---

本文将基于强化学习中的PPO算法训练一个自动玩超级马里奥的智能体，用于强化学习的项目实践

源码及底模放于文末（可自行取用）

一、环境准备

所需环境如下：

pip install nes-py
pip install gym-super-mario-bros
pip install setuptools==65.5.0 "wheel<0.40.0"
pip install gym==0.21.0
pip install stable-baselines3【extra】==1.6.0
pip install torch==1.13.1+cu116 torchvision==0.14.1+cu116 torchaudio==0.13.1 --extra-index-url https://download.pytorch.org/whl/cu116

注意： 在环境配置方面，nes-py库安装的先决条件是 安装Microsoft Visual C++，其下载地址为：Microsoft C++ Build Tools - Visual Studio

在安装Microsoft Visual C++时需选择桌面开发：

二、训练思路

1.训练初期：

使用了最简单的训练框架，并选择PPO算法中较简单的的CnnPolicy网络（可以尝试MlpPolicy和MultiInputPolicy网络，我没试是因为太懒了）以及马里奥操控中的SIMPLE_MOVEMENT操作模块：

自然，效果是不尽人意的，马里奥在所选关卡的第三根水管处（即最高的那个水管）不断尝试跳跃，直至时间耗尽也未能通过。

2.思路整理及改进：

思路一：

        既然训练效果不佳，是否跟训练轮数有关？固将总训练轮数增加至3000000，并尝试训练。跑出来的模型有所改进，马里奥在成功越过所有水管后，遇到了新的难题——越过两个断崖。至此，无论如何增加轮数，马里奥似乎到了一个瓶颈，固继续进行修改。

思路二：

        在增加训练轮数的基础上，选择对关卡的环境图像进行预处理——使用GrayScaleObservation转换为灰度观察，并保留通道维度。同时，我们对训练参数进行调整：

        尝试训练后，能够得到一个不稳定越过断崖的新模型，但对断崖之后的环境似乎有些陌生，陷入了前半段关卡的“局部最优解”。

思路三：

        由于之前的训练过程中使用了较小的学习率（1e-9），进而使得马里奥在关卡中陷入了局部最优，所以选择对学习率进行微调，使其在最开始的训练阶段使用较大的学习率，在后期减小学习率，从而达到先快速探索参数空间并加速收敛，再提高模型的稳定性和收敛精度。

至此，训练出来的测试模型，奖励反馈有所增长，但实际测试效果与调整前相差不多。

思路四：

        在上述尝试无明显效果后，猜测效果的好坏是否与马里奥的奖励机制有关，固在查阅奖励部分代码后，对“抵达终点”的奖励予以提高，希望对效果有所改善。

然结果并没有明显改观，更换调整方向。分别尝试马里奥的三套运动方式：

经过对比，complex_movement的效果远超另外两套，且在前面思路的改动下模型质量有显著提升，固整理上述调整方案，进行底模训练。

3.训练效果：

        以奖励折扣率gamma = 0.9、gae_lambda = 0.9、clip_range = 0.2、步长n_steps = 7168，并用1e-3作为开始训练的学习率，并在训练过程中使其动态地在1e-5，1e-7中调整，修改抵达终点的奖励反馈，同时设置训练轮数为4000000，训练动作组为complex_movement进行训练。得到基础奖励回报为1520的底模，并将其继续用于迁移学习，得到2300的新模型。在实际测试后发现，模型确有改观，固继续将新模型用于训练，最终得到3200的最终模型，其能顺利到达终点并进入关卡的下一阶段。

三、结果分析

        与之前的训练经验相比，使用复杂的动作组未必比简单的动作组训练出的效果差，学习率的调整也是必要的，先用较大学习率打好基础，再有小学习率继续细化模型。同时，要给足够的训练轮数（足够的训练时间）。若是能够把奖励机制更进一步细化增加奖励细节，对其的训练是会更有帮助的。

四、完整代码

训练代码：

from nes_py.wrappers import JoypadSpace
import time
import os
import numpy as np
from datetime import datetime
from matplotlib import pyplot as plt
import gym_super_mario_bros
from gym_super_mario_bros.actions import SIMPLE_MOVEMENT, COMPLEX_MOVEMENT, RIGHT_ONLY
from gym.wrappers import GrayScaleObservation
from gym import Wrapper
from stable_baselines3.common.monitor import Monitor
from stable_baselines3.common.vec_env import DummyVecEnv
from stable_baselines3.common.vec_env import VecFrameStack
from stable_baselines3 import PPO
from stable_baselines3.common.results_plotter import load_results, ts2xy
from stable_baselines3.common.callbacks import BaseCallback


# 定义自定义奖励包装器
class CustomRewardWrapper(Wrapper):
    def __init__(self, env):
        super(CustomRewardWrapper, self).__init__(env)
        self.curr_score = 0

    def step(self, action):
        state, reward, done, info = self.env.step(action)

        # 自定义的奖励
        reward += (info["score"] - self.curr_score) / 40.
        self.curr_score = info["score"]

        if done:
            if info["flag_get"]:
                reward += 50
            else:
                reward -= 50

        return state, reward / 10., done, info


class SaveOnBestTrainingRewardCallback(BaseCallback):
    """
    Callback for saving a model (the check is done every ``check_freq`` steps)
    based on the training reward (in practice, we recommend using ``EvalCallback``).

    :param check_freq: (int)
    :param log_dir: (str) Path to the folder where the model will be saved.
      It must contains the file created by the ``Monitor`` wrapper.
    :param verbose: (int)
    """

    def __init__(self, check_freq, save_model_dir, verbose=1):
        super(SaveOnBestTrainingRewardCallback, self).__init__(verbose)
        self.check_freq = check_freq
        self.save_path = os.path.join(save_model_dir, './')
        self.best_model_subdir = os.path.join(self.save_path, 'best_model')
        self.best_mean_reward = -np.inf
        self.best_model_path = None
        self.best_score_model_path = os.path.join(self.save_path, 'pass_customs_model.zip')  # 增加通关模型路径

    # def _init_callback(self) -> None:
    def _init_callback(self):
        # Create folder if needed
        if self.save_path is not None:
            os.makedirs(self.save_path, exist_ok=True)

    # def _on_step(self) -> bool:
    def _on_step(self):
        if self.n_calls % self.check_freq == 0:
            print('self.n_calls: ', self.n_calls)
            model_path1 = os.path.join(self.save_path, 'model_{}'.format(self.n_calls))
            self.model.save(model_path1)
            # Save the best model
            x, y = ts2xy(load_results(monitor_dir), 'timesteps')
            if len(x) > 0:
                mean_reward = np.mean(y[-self.check_freq:])
                if self.verbose > 0:
                    print("Num timesteps: {}, Best mean reward: {:.2f}, Last mean reward: {:.2f}".format(
                        self.n_calls, self.best_mean_reward, mean_reward))

                if mean_reward > self.best_mean_reward:
                    if self.best_model_path is not None:
                        try:
                            os.remove(self.best_model_path)  # Delete the old best model
                        except OSError:
                            pass
                    self.best_mean_reward = mean_reward
                    # Update path for the new best model
                    self.best_model_path = os.path.join(self.save_path, 'best_model.zip')
                    # Save the new best model
                    self.model.save(self.best_model_path)

                    if self.verbose > 0:
                        print("New best mean reward: {:.2f} - saving best model".format(mean_reward))

                        # Save the best mean reward to a file
                        reward_record_file = './Mario_model_save/model/mario_model/best_mean_reward.txt'
                        with open(reward_record_file, 'a') as file:
                            # 将最佳平均奖励值和时间戳一同写入文件
                            file.write(
                                "New best mean reward: {:.2f} - Recorded at {}\n".format(mean_reward, datetime.now()))

        
        return True


# 总的训练timesteps
my_total_timesteps = 4000000
# 需要改变学习率的timestep
change_lr_timestep = 2000000


# 学习率调度函数
def learning_rate_schedule(progress_remaining):
    """
    参数 progress_remaining 表示剩下的训练进度(从1开始降低到0)。
    通过训练进度来动态调整学习率。
    """
    current_timestep = my_total_timesteps * (1 - progress_remaining)
    if current_timestep < change_lr_timestep:
        return 1e-3  # 1e-3
    elif change_lr_timestep <= current_timestep <= int(change_lr_timestep * 1.5):
        return 1e-5
    else:
        return 1e-7


env = gym_super_mario_bros.make('SuperMarioBros-1-2-v0')
env = JoypadSpace(env, COMPLEX_MOVEMENT)  # 使用复杂的按键映射

env = CustomRewardWrapper(env)  # 应用自定义奖励包装器

monitor_dir = r'./Mario_model_save/monitor_log/'
os.makedirs(monitor_dir, exist_ok=True)
env = Monitor(env, monitor_dir)  # 将环境包装为监视器

env = GrayScaleObservation(env, keep_dim=True)  # 转换为灰度观察，并保留通道维度
env = DummyVecEnv([lambda: env])  # 创建虚拟环境
env = VecFrameStack(env, 4, channels_order='last')  # 将最近4帧堆叠在一起

best_params = {
    'n_steps': 7168,  # 7168
    'gamma': 0.9,
    # 'learning_rate': 1e-3,   # 1e-3, 1e-4, 1e-5
    'clip_range': 0.2,
    'gae_lambda': 0.9,
}

# 更新best_params中的learning_rate参数
best_params.update({'learning_rate': learning_rate_schedule})

tensorboard_log = r'./Mario_model_save/tensorboard_log/'
# 正常训练
model = PPO("CnnPolicy", env, verbose=1,
            tensorboard_log=tensorboard_log,
            **best_params
            )
'''
# 加载预训练模型
pretrained_model_path = r'D:\python_project\Mario\model\mario_model\pretraining_model_4.zip'
model = PPO.load(pretrained_model_path, env=env, tensorboard_log=tensorboard_log, **best_params)'''

# 保存模型位置
save_model_dir = r'./Mario_model_save/model/mario_model/'
callback1 = SaveOnBestTrainingRewardCallback(10000, save_model_dir)

model.learn(total_timesteps=my_total_timesteps, callback=callback1)
# model.save("mario_model")

测试代码：

from nes_py.wrappers import JoypadSpace
import gym_super_mario_bros
from gym_super_mario_bros.actions import SIMPLE_MOVEMENT, RIGHT_ONLY, COMPLEX_MOVEMENT
import time
from matplotlib import pyplot as plt
from gym.wrappers import GrayScaleObservation
from stable_baselines3.common.monitor import Monitor
from stable_baselines3.common.vec_env import DummyVecEnv
from stable_baselines3.common.vec_env import VecFrameStack
import os
from stable_baselines3 import PPO

from stable_baselines3.common.results_plotter import load_results, ts2xy
import numpy as np
from stable_baselines3.common.callbacks import BaseCallback

env = gym_super_mario_bros.make('SuperMarioBros-v0')
env = JoypadSpace(env, COMPLEX_MOVEMENT)

monitor_dir = r'./Mario/monitor_log/'
os.makedirs(monitor_dir, exist_ok=True)
env = Monitor(env, monitor_dir)

env = GrayScaleObservation(env, keep_dim=True)
env = DummyVecEnv([lambda: env])
env = VecFrameStack(env, 4, channels_order='last')

save_model_dir = r'model/mario_model/pretraining_model_5.zip'
# save_model_dir = r'./Mario/model/mario_model/pretraining_model.zip'


model = PPO.load(save_model_dir)

obs = env.reset()
obs = obs.copy()
done = True
while True:
    if done:
        state = env.reset()
    action, _states = model.predict(obs)
    obs, rewards, done, info = env.step(action)
    obs = obs.copy()
    # time.sleep(0.01)
    env.render()

env.close()

底模： 

最有底模为pretraining_model_5

链接：https://pan.baidu.com/s/1ed9IfgqvPC-uJmbGZMZtMQ?pwd=ru3t 
提取码：ru3t