1. Gym介绍
Gym是一个研究和开发强化学习相关算法的仿真平台，无需智能体先验知识，由以下两部分组成
- Gym开源库：测试问题的集合。当你测试强化学习的时候，测试问题就是环境，比如机器人玩游戏，环境的集合就是游戏的画面。这些环境有一个公共的接口，允许用户设计通用的算法。
- OpenAI Gym服务：提供一个站点和API（比如经典控制问题：CartPole-v0），允许用户对他们的测试结果进行比较。
2. Gym安装
我们需要在Python 3.5+的环境中简单得使用pip安装gym
pip install gym
如果需要从源码安装gym，那么可以：
git clone https://github.com/openai/gym
cd gym
pip install -e .
可以运行pip install -e .[all]执行包含所有环境的完整安装。 这需要安装一些依赖包，包括cmake和最新的pip版本。
3. Gym使用demo
简单来说OpenAI Gym提供了许多问题和环境（或游戏）的接口，而用户无需过多了解游戏的内部实现，通过简单地调用就可以用来测试和仿真。接下来以经典控制问题CartPole-v0为例，简单了解一下Gym的特点
# 导入gym环境
import gym
# 声明所使用的环境
env = gym.make('CartPole-v0')
# 环境初始化
env.reset()# 对环境进行迭代执行1000次
for _ in range(1000):env.render()observation, reward, done, info = env.step(env.action_space.sample()) # 采取随机动作if done:env.reset()
env.close()
运行效果如下
以上代码中可以看出，gym的核心接口是Env。作为统一的环境接口，Env包含下面几个核心方法：
- reset(self)：重置环境的状态，返回观察。
- step(self, action)：推进一个时间步长，返回observation, reward, done, info。
- render(self, mode=‘human’, close=False)：重绘环境的一帧。默认模式一般比较友好，如弹出一个窗口。
- close(self)：关闭环境，并清除内存
以上代码首先导入gym库，然后创建CartPole-v0环境，并重置环境状态。在for循环中进行1000个时间步长控制，env.render()刷新每个时间步长环境画面，对当前环境状态采取一个随机动作（0或1），在环境返回done为True时，重置环境，最后循环结束后关闭仿真环境。
4、观测（Observations）
在上面代码中使用了env.step()函数来对每一步进行仿真，在Gym中，env.step()会返回 4 个参数：
- 观测 Observation (Object)：当前step执行后，环境的观测(类型为对象)。例如，从相机获取的像素点，机器人各个关节的角度或棋盘游戏当前的状态等；
- 奖励 Reward (Float): 执行上一步动作(action)后，智能体( agent)获得的奖励(浮点类型)，不同的环境中奖励值变化范围也不相同，但是强化学习的目标就是使得总奖励值最大；
- 完成 Done (Boolen): 表示是否需要将环境重置 env.reset。大多数情况下，当 Done 为True 时，就表明当前回合(episode)或者试验(tial)结束。例如当机器人摔倒或者掉出台面，就应当终止当前回合进行重置(reset);
- 信息 Info (Dict): 针对调试过程的诊断信息。在标准的智体仿真评估当中不会使用到这个info，具体用到的时候再说。
在 Gym 仿真中，每一次回合开始，需要先执行 reset() 函数，返回初始观测信息，然后根据标志位 done 的状态，来决定是否进行下一次回合。所以更恰当的方法是遵守done的标志。
import gym
env = gym.make('CartPole-v0')
for i_episode in range(20):observation = env.reset()for t in range(100):env.render()print(observation)action = env.action_space.sample()observation, reward, done, info = env.step(action)if done:print("Episode finished after {} timesteps".format(t+1))break
env.close()
代码运行结果的片段如下所示：
[ 0.04025062 -0.04312649 0.00186348 0.02288173]
[ 0.03938809 -0.23827512 0.00232111 0.31615203]
[ 0.03462259 -0.43343005 0.00864416 0.60956605]
[ 0.02595398 -0.23843 0.02083548 0.31961824]
[ 0.02118538 -0.43384239 0.02722784 0.6187984 ]
[ 0.01250854 -0.23911113 0.03960381 0.33481376]
[ 0.00772631 -0.43477369 0.04630008 0.63971794]
[-0.00096916 -0.63050954 0.05909444 0.94661444]
[-0.01357935 -0.43623107 0.07802673 0.67306909]
[-0.02230397 -0.24227538 0.09148811 0.40593731]
[-0.02714948 -0.43856752 0.09960686 0.72600415]
[-0.03592083 -0.24495361 0.11412694 0.46625881]
[-0.0408199 -0.05161354 0.12345212 0.21161588]
[-0.04185217 0.14154693 0.12768444 -0.03971694]
[-0.03902123 -0.05515279 0.1268901 0.29036807]
[-0.04012429 -0.25183418 0.13269746 0.6202239 ]
[-0.04516097 -0.05879065 0.14510194 0.37210296]
[-0.04633679 0.13400401 0.152544 0.12846047]
[-0.04365671 -0.06293669 0.15511321 0.46511532]
[-0.04491544 -0.25987115 0.16441551 0.80239106]
[-0.05011286 -0.45681992 0.18046333 1.14195086]
[-0.05924926 -0.65378152 0.20330235 1.48536419]
Episode finished after 22 timesteps
上面的结果可以看到这个迭代中，输出的观测为一个列表。这是CartPole环境特有的状态，其规则是。
其中：
- 表示小车在轨道上的位置（position of the cart on the track）
- 表示杆子与竖直方向的夹角（angle of the pole with the vertical）
- 表示小车速度（cart velocity）
- 表示角度变化率（rate of change of the angle）
5、空间（Spaces）
每次执行的动作(action)都是从环境动作空间中随机进行选取的，但是这些动作 (action) 是什么?在 Gym 的仿真环境中，有运动空间 action_space 和观测空间observation_space 两个指标，程序中被定义为 Space类型，用于描述有效的运动和观测的格式和范围。下面是一个代码示例：
import gym
env = gym.make('CartPole-v0')
print(env.action_space)
print(env.observation_space)
Discrete(2)
Box(-3.4028234663852886e+38, 3.4028234663852886e+38, (4,), float32)
从程序运行结果可以看出：
- action_space 是一个离散Discrete类型，从discrete.py源码可知，范围是一个{0,1,…,n-1} 长度为 n 的非负整数集合，在CartPole-v0例子中，动作空间表示为{0,1}。
- observation_space 是一个Box类型，从box.py源码可知，表示一个 n 维的盒子，所以在上一节打印出来的observation是一个长度为 4 的数组。数组中的每个元素都具有上下界。
6. 奖励(reward)
在gym的Cart Pole环境（env）里面，左移或者右移小车的action之后，env会返回一个+1的reward。其中CartPole-v0中到达200个reward之后，游戏也会结束，而CartPole-v1中则为500。最大奖励（reward）阈值可通过前面介绍的注册表进行修改。
7. 注册表
Gym是一个包含各种各样强化学习仿真环境的大集合，并且封装成通用的接口暴露给用户，查看所有环境的代码如下
from gym import envs
print(envs.registry.all())
8.注册模拟器
Gym支持将用户制作的环境写入到注册表中，需要执行 gym.make()和在启动时注册register。如果要注册自己的环境，那么假设你在以下结构中定义了自己的环境：
myenv/__init__.pymyenv.py
i. myenv.py包含适用于我们自己的环境的类。 在init.py中，输入以下代码：
from gym.envs.registration import register
register(id='MyEnv-v0',entry_point='myenv.myenv:MyEnv', # 第一个myenv是文件夹名字，第二个myenv是文件名字，MyEnv是文件内类的名字
)
ii. 要使用我们自己的环境：
import gym
import myenv # 一定记得导入自己的环境，这是很容易忽略的一点
env = gym.make('MyEnv-v0')
iii. 在PYTHONPATH中安装myenv目录或从父目录启动python。
目录结构：
myenv/__init__.pymy_hotter_colder.py
-------------------
__init__.py 文件：
-------------------
from gym.envs.registration import register
register(id='MyHotterColder-v0',entry_point='myenv.my_hotter_colder:MyHotterColder',
)
-------------------
my_hotter_colder.py文件：
-------------------
import gym
from gym import spaces
from gym.utils import seeding
import numpy as npclass MyHotterColder(gym.Env):"""Hotter ColderThe goal of hotter colder is to guess closer to a randomly selected numberAfter each step the agent receives an observation of:0 - No guess yet submitted (only after reset)1 - Guess is lower than the target2 - Guess is equal to the target3 - Guess is higher than the targetThe rewards is calculated as:(min(action, self.number) + self.range) / (max(action, self.number) + self.range)Ideally an agent will be able to recognise the 'scent' of a higher reward andincrease the rate in which is guesses in that direction until the reward reachesits maximum"""def __init__(self):self.range = 1000 # +/- value the randomly select number can be betweenself.bounds = 2000 # Action space boundsself.action_space = spaces.Box(low=np.array([-self.bounds]), high=np.array([self.bounds]))self.observation_space = spaces.Discrete(4)self.number = 0self.guess_count = 0self.guess_max = 200self.observation = 0self.seed()self.reset()def seed(self, seed=None):self.np_random, seed = seeding.np_random(seed)return [seed]def step(self, action):assert self.action_space.contains(action)if action < self.number:self.observation = 1elif action == self.number:self.observation = 2elif action > self.number:self.observation = 3reward = ((min(action, self.number) + self.bounds) / (max(action, self.number) + self.bounds)) ** 2self.guess_count += 1done = self.guess_count >= self.guess_maxreturn self.observation, reward[0], done, {"number": self.number, "guesses": self.guess_count}def reset(self):self.number = self.np_random.uniform(-self.range, self.range)self.guess_count = 0self.observation = 0return self.observation
9. OpenAI Gym评估平台
用户可以记录和上传算法在环境中的表现或者上传自己模型的Gist，生成评估报告，还能录制模型玩游戏的小视频。在每个环境下都有一个排行榜，用来比较大家的模型表现。
上传于录制方法如下所示
import gym
from gym import wrappers
env = gym.make('CartPole-v0')
env = wrappers.Monitor(env, '/tmp/cartpole-experiment-1')
for i_episode in range(20):observation = env.reset()for t in range(100):env.render()print(observation)action = env.action_space.sample()observation, reward, done, info = env.step(action)if done:print("Episode finished after {} timesteps".format(t+1))break
使用Monitor Wrapper包装自己的环境，在自己定义的路径下将记录自己模型的性能。支持将一个环境下的不同模型性能写在同一个路径下。
在官网注册账号后，可以在个人页面上看到自己的API_Key，接下来可以将结果上传至OpenAI Gym：
import gym
gym.upload('/tmp/cartpole-experiment-1', api_key='YOUR_API_KEY')
然后得到如下结果：
打开链接会有当前模型在环境下的评估报告，并且还录制了小视频：
每次上传结果，OpenAI Gym都会对其进行评估。
创建一个Github Gist将结果上传，或者直接在upload时传入参数：
import gym
gym.upload('/tmp/cartpole-experiment-1', writeup='https://gist.github.com/gdb/b6365e79be6052e7531e7ba6ea8caf23', api_key='YOUR_API_KEY')
评估将自动计算得分，并生成一个漂亮的页面。
在大多数环境中，我们的目标是尽量减少达到阈值级别的性能所需的步骤数。不同的环境都有不同的阈值，在某些环境下，尚不清楚该阈值是什么，此时目标是使最终的表现最大化。在cartpole这个环境中，阈值就是立杆能够直立的帧数。
任何程序错误，以及技术疑问或需要解答的，请添加
