<mark id="oztn4"></mark>
0
雷鋒網 AI 科技評論按：在過去的兩三年中，我們經常聽說人工智能在棋牌類游戲（博弈）中取得新的成果，比如基于深度強化學習的 AlphaGo 擊敗了人類世界冠軍，由 AlphaGo 進化而來的 AlphaZero 還一并搞定了國際象棋和日本象棋；基于博弈論的冷撲大師（Libratus）也在無限注德州撲克比賽中擊敗了人類職業(yè)選手；今年在澳門舉行的 IJCAI 2019 上我們也發(fā)現(xiàn)了一篇斗地主 AI 論文。
不過，雖然這些團隊各自做出了令人矚目的成果，但不管對于工業(yè)界還是學術界來說，都缺少一個迅速開發(fā)和測試棋牌類 AI 的環(huán)境。最近德州農工大學胡俠帶領的華人團隊就給出了他們的解決方案，開源了基于牌類游戲設計的強化學習 Python 平臺 RLCard，在打包實現(xiàn)了多種牌類游戲算法的同時，也提供了中西方最流行的幾種牌類游戲環(huán)境（包括斗地主、麻將、21點、德州撲克、UNO等），致力于為強化學習提供一個統(tǒng)一、易用的開發(fā)和測試環(huán)境。雷鋒網 AI 科技評論介紹如下。
具體來說，RLCard 實現(xiàn)了四種有代表性的強化學習算法：作為強化學習的代表算法的 DQN、作為帶有自我學習的強化學習的代表算法的 NSFP、反事實后悔最小化 CFR 以及深度反事實后悔最小化 DeepCFR。RLCard 中也帶有一個隨機智能體。
RLCard 中實現(xiàn)了八種牌類游戲環(huán)境：二十一點（Blackjack），三種德州撲克（簡化版德?lián)?Leduc Hold'em，有限制德?lián)?Limit Texas Hold'em 以及無限制德?lián)?No-limit Texas Hold'em ），斗地主，麻將，UNO 以及升級（目前升級游戲環(huán)境還在開發(fā)中）。
RLCard 安裝快速、使用簡單，提供大量的實例、文檔及 demo；提供人類與 AI，以及 AI 與 AI 間對戰(zhàn)的接口，支持并行加速。平臺設計遵循以下設計原則：
易于比較。在 RLCard 中的得到結果可以方便比較。不同的研究者會提出各種各樣的算法，RLCard 通過 AI 間博弈進行性能評估。通過設置同樣的隨機種子，同樣的結果可以在多次實驗上復現(xiàn)。
易用。盡可能用簡單的接口產生游戲數(shù)據(jù)，并且支持對游戲狀態(tài)編碼、動作編碼、獎勵函數(shù)設計、游戲規(guī)則的自定義。
可擴展。盡可能最小化環(huán)境依賴，使得工具包維護簡單。新游戲遵循工具包的設計原則也可以方便加入。
對于游戲環(huán)境實現(xiàn)，RLCard 平臺抽象并定義了這些游戲概念：玩家，比賽（Game），對局（Round），發(fā)牌者（Dealer），裁判（Judger）。游戲環(huán)境實現(xiàn)都通過這些概念對應的類，這樣的相同的設計規(guī)范讓游戲邏輯更容易理解、更容易操作。別的牌類游戲也基本都可以符合這個結構，未來如果想要增加很容易。
作為對比，現(xiàn)有的強化學習庫多數(shù)都是單智能體環(huán)境的（比如 OpenAI Gym）；近期雖然也有一些支持多智能體的環(huán)境（比如星際2），但它們并不支持牌類游戲。RLCard 專為牌類游戲設計，不僅是一些牌類游戲在強化學習庫中的首次實現(xiàn)，也提供了簡單直觀的接口，便于強化學習研究。
在目前的學術文獻中，解決撲克游戲的最熱門的方法是反事實后悔最小化（Counterfactual Regret Minimization，CFR），以及它的各種變體，勝過了人類職業(yè)選手的冷撲大師（Libratus）使用的就是基于 CFR 的方法。不過，CFR 很消耗計算資源，因為它需要完全遍歷整個游戲樹，所以它也不適用于斗地主之類的狀態(tài)空間很大的游戲。
近期也有研究表明，強化學習策略可以在打賭類的博弈中取得很好的表現(xiàn)，比如玩斗地主就玩得不錯。這些美妙的成果，以及強化學習本身的靈活性都讓我們有可能探索狀態(tài)空間、行動空間更大的更困難的牌類游戲。
RLCard 使用簡單，輸入 pip install rlcard 可快速安裝。安裝完成后，用以下 5 行代碼就能用隨機的智能體產生對局數(shù)據(jù)，返回的數(shù)據(jù)可直接用于強化學習算法訓練。
另外，RLCard還提供了豐富的的運行實例，包括產生隨機數(shù)據(jù)，訓練CFR、DQN、NFSP等算法，以及多進程運行實例。
RLCard 提供人機對戰(zhàn) demo。RLCard 提供 Leduc Hold'em 游戲環(huán)境的一個預訓練模型，可以直接測試人機對戰(zhàn)。Leduc Hold'em 是一個簡化版的德州撲克，游戲使用 6 張牌（紅桃 J、Q、K，黑桃 J、Q、K），牌型大小比較中 對牌>單牌，K>Q>J，目標是贏得更多的籌碼。與預訓練模型對局展示如下：
除此之外，開發(fā)團隊還對 RLCard 做了系統(tǒng)的評估。他們測試了最流行的強化學習算法在環(huán)境上的表現(xiàn)。測試方法包括與隨機策略的比較以及 AI 間互相對戰(zhàn)的比較。發(fā)現(xiàn)主流算法在小型游戲上普遍有較好的效果，但是在較復雜游戲（例如斗地主、UNO）效果一般。如何在復雜的游戲中更好地訓練強化學習算法需要更多的研究。
團隊也對游戲運行的效率進行了評估。在 24 核 2.10GHz CPU 服務器上對各個游戲的運行時間進行了測試，使用多進程可以更高效地產生游戲數(shù)據(jù)。
目前 RLCard 的官網已經上線，其中提供了詳細的文檔。學術論文也已經發(fā)表在 arXiv，第一作者為查道琛。詳細信息可以訪問下面的鏈接：
官方網站：http://rlcard.org
未來，作者們還會繼續(xù)優(yōu)化和增強這個平臺，他們的計劃包括增加基于規(guī)則的智能體、增加更多預訓練模型（幫助評價模型），增加更多游戲環(huán)境和算法，以及增加可視化和分析功能等。相信這個環(huán)境能對領域內的研究人員們起到很大幫助。
感謝查道琛、胡俠對文本提供的幫助。雷鋒網 AI 科技評論報道。
雷峰網原創(chuàng)文章，未經授權禁止轉載。詳情見轉載須知。
