第四范式开源强化学习研究通用框架，支持单智能体、多智能体训练，还可训练自然语言任务！训练速度提升17%

51CTO读者成长计划社群招募，咨询小助手（微信号：CTOjishuzhan）

OpenRL 是由第四范式强化学习团队开发的基于PyTorch的强化学习研究框架，支持单智能体、多智能体、自然语言等多种任务的训练。OpenRL基于PyTorch进行开发，目标是为强化学习研究社区提供一个简单易用、灵活高效、可持续扩展的平台。目前，OpenRL支持的特性包括：

• 简单易用且支持单智能体、多智能体训练的通用接口
• 支持自然语言任务（如对话任务）的强化学习训练
• 支持从 Hugging Face 上导入模型和数据
• 支持LSTM，GRU，Transformer等模型
• 支持多种训练加速，例如：自动混合精度训练，半精度策略网络收集数据等
• 支持用户自定义训练模型、奖励模型、训练数据以及环境
• 支持 gymnasium 环境
• 支持字典观测空间
• 支持 wandb，tensorboardX 等主流训练可视化工具
• 支持环境的串行和并行训练，同时保证两种模式下的训练效果一致
• 中英文文档
• 提供单元测试和代码覆盖测试
• 符合Black Code Style和类型检查

目前，OpenRL已经在GitHub开源：https://github.com/OpenRL-Lab/openrl

一、OpenRL初体验

OpenRL目前可以通过 pip 进行安装：

pip install openrl

也可以通过conda安装：

conda install -c openrl openrl

OpenRL为强化学习入门用户提供了简单易用的接口， 下面是一个使用PPO算法训练CartPole环境的例子：

# train_ppo.py
from openrl.envs.common import make
from openrl.modules.common import PPONet as Net
from openrl.runners.common import PPOAgent as Agent
env = make("CartPole-v1", env_num=9) # 创建环境，并设置环境并行数为9
net = Net(env) # 创建神经网络
agent = Agent(net) # 初始化智能体
agent.train(total_time_steps=20000) # 开始训练，并设置环境运行总步数为20000

使用OpenRL训练智能体只需要简单的四步：创建环境 => 初始化模型 => 初始化智能体 => 开始训练！

在普通笔记本电脑上执行以上代码，只需要几秒钟，便可以完成该智能体的训练：

此外，对于多智能体、自然语言等任务的训练，OpenRL也提供了同样简单易用的接口。例如，对于多智能体任务中的MPE环境，OpenRL也只需要调用几行代码便可以完成训练：

# train_ppo.py
from openrl.envs.common import make
from openrl.modules.common import PPONet as Net
from openrl.runners.common import PPOAgent as Agent
def train():
    # 创建 MPE 环境，使用异步环境，即每个智能体独立运行
    env = make(
        "simple_spread",
        env_num=100,
        asynchrnotallow=True,
    )
    # 创建 神经网络，使用GPU进行训练
    net = Net(env, device="cuda")
    agent = Agent(net) # 初始化训练器
    # 开始训练
    agent.train(total_time_steps=5000000)
    # 保存训练完成的智能体
    agent.save("./ppo_agent/")
if __name__ == "__main__":
    train()

下图展示了通过OpenRL训练前后智能体的表现：

二、加载配置文件

此外，OpenRL还同时支持从命令行和配置文件对训练参数进行修改。比如，用户可以通过执行python train_ppo.py –lr 5e-4来快速修改训练时候的学习率。

当配置参数非常多的时候，OpenRL还支持用户编写自己的配置文件来修改训练参数。例如，用户可以自行创建以下配置文件(mpe_ppo.yaml)，并修改其中的参数：

# mpe_ppo.yaml
seed: 0 # 设置seed，保证每次实验结果一致
lr: 7e-4 # 设置学习率
episode_length: 25 # 设置每个episode的长度
use_recurrent_policy: true # 设置是否使用RNN
use_joint_action_loss: true # 设置是否使用JRPO算法
use_valuenorm: true # 设置是否使用value normalization

最后，用户只需要在执行程序的时候指定该配置文件即可：

python train_ppo.py --config mpe_ppo.yaml

三、训练与测试可视化

此外，通过OpenRL，用户还可以方便地使用 wandb 来可视化训练过程：

OpenRL还提供了各种环境可视化的接口，方便用户对并行环境进行可视化。用户可以在创建并行环境的时候设置环境的渲染模式为”group_human”，便可以同时对多个并行环境进行可视化：

env = make("simple_spread", env_num=9, render_mode="group_human")

此外，用户还可以通过引入 GIFWrapper 来把环境运行过程保存为gif动画：

from openrl.envs.wrappers import GIFWrapper
env = GIFWrapper(env, "test_simple_spread.gif")

四、智能体的保存和加载

OpenRL提供 agent.save() 和 agent.load() 接口来保存和加载训练好的智能体，并通过agent.act() 接口来获取测试时的智能体动作：

# test_ppo.py
from openrl.envs.common import make
from openrl.modules.common import PPONet as Net
from openrl.runners.common import PPOAgent as Agent
from openrl.envs.wrappers import GIFWrapper # 用于生成gif
def test():
    # 创建 MPE 环境
    env = make( "simple_spread", env_num=4)
    # 使用GIFWrapper，用于生成gif
    env = GIFWrapper(env, "test_simple_spread.gif")
    agent = Agent(Net(env)) # 创建 智能体
    # 保存智能体
    agent.save("./ppo_agent/")    
    # 加载智能体
    agent.load('./ppo_agent/')
    # 开始测试
    obs, _ = env.reset()
    while True:
        # 智能体根据 observation 预测下一个动作
        action, _ = agent.act(obs)
        obs, r, done, info = env.step(action)
        if done.any():
            break
    env.close()
if __name__ == "__main__":
    test()

执行该测试代码，便可以在同级目录下找到保存好的环境运行动画文件(test_simple_spread.gif)：

五、训练自然语言对话任务

最近的研究表明，强化学习也可以用于训练语言模型， 并且能显著提升模型的性能。目前，OpenRL已经支持自然语言对话任务的强化学习训练。OpenRL通过模块化设计，支持用户 加载自己的数据集 ， 自定义训练模型， 自定义奖励模型， 自定义wandb信息输出 以及 一键开启混合精度训练等。

对于对话任务训练，OpenRL提供了同样简单易用的训练接口：

# train_ppo.py
from openrl.envs.common import make
from openrl.modules.common import PPONet as Net
from openrl.runners.common import PPOAgent as Agent
from openrl.configs.config import create_config_parser
def train():
    # 添加读取配置文件的代码
    cfg_parser = create_config_parser()
    cfg = cfg_parser.parse_args()
    # 创建 NLP 环境
    env = make("daily_dialog",env_num=2,asynchrnotallow=True,cfg=cfg,)
    net = Net(env, cfg=cfg, device="cuda")
    agent = Agent(net)
    agent.train(total_time_steps=5000000)
if __name__ == "__main__":
    train()

可以看出，OpenRL训练对话任务和其他强化学习任务一样，都是通过创建交互环境的方式进行训练。

六、加载自定义数据集

训练对话任务，需要对话数据集。这里我们可以使用Hugging Face上的公开数据集（用户可以替换成自己的数据集）。加载数据集，只需要在配置文件中传入数据集的名称或者路径即可：

# nlp_ppo.yaml
data_path: daily_dialog # 数据集路径
env: # 环境所用到的参数
    args: {'tokenizer_path': 'gpt2'} # 读取tokenizer的路径
seed: 0 # 设置seed，保证每次实验结果一致
lr: 1e-6 # 设置policy模型的学习率
critic_lr: 1e-6 # 设置critic模型的学习率
episode_length: 20 # 设置每个episode的长度
use_recurrent_policy: true

上述配置文件中的data_path 可以设置为Hugging Face数据集名称 或者 本地数据集路径。此外，环境参数中的 tokenizer_path 用于指定加载文字编码器的 Hugging Face名称 或者 本地路径。

七、自定义训练模型

在OpenRL中，我们可以使用Hugging Face上的模型来进行训练。为了加载Hugging Face上的模型，我们首先需要在配置文件nlp_ppo.yaml中添加以下内容：

# nlp_ppo.yaml
# 预训练模型路径
model_path: rajkumarrrk/gpt2-fine-tuned-on-daily-dialog 
use_share_model: true # 策略网络和价值网络是否共享模型
ppo_epoch: 5 # ppo训练迭代次数

data_path: daily_dialog # 数据集名称或者路径
env: # 环境所用到的参数
    args: {'tokenizer_path': 'gpt2'} # 读取tokenizer的路径
lr: 1e-6 # 设置policy模型的学习率
critic_lr: 1e-6 # 设置critic模型的学习率
episode_length: 128 # 设置每个episode的长度
num_mini_batch: 20

然后在train_ppo.py中添加以下代码：

# train_ppo.py
from openrl.envs.common import make
from openrl.modules.common import PPONet as Net
from openrl.runners.common import PPOAgent as Agent
from openrl.configs.config import create_config_parser
from openrl.modules.networks.policy_value_network_gpt import (
    PolicyValueNetworkGPT as PolicyValueNetwork,
)
def train():
    # 添加读取配置文件的代码
    cfg_parser = create_config_parser()
    cfg = cfg_parser.parse_args()
    # 创建 NLP 环境
    env = make("daily_dialog",env_num=2,asynchrnotallow=True,cfg=cfg,)
    # 创建自定义神经网络
    model_dict = {"model": PolicyValueNetwork}
    net = Net(env, cfg=cfg, model_dict=model_dict)
    # 创建训练智能体
    agent = Agent(net)
    agent.train(total_time_steps=5000000)
if __name__ == "__main__":
    train()

通过以上简单几行的修改，用户便可以使用Hugging Face上的预训练模型进行训练。如果用户希望分别自定义策略网络和价值网络，可以写好 CustomPolicyNetwork 以及 CustomValueNetwork后通过以下方式从外部传入训练网络：

model_dict = {
    "policy": CustomPolicyNetwork,
    "critic": CustomValueNetwork,
}
net = Net(env, model_dict=model_dict)

八、自定义奖励模型

通常，自然语言任务的数据集中并不包含奖励信息。因此，如果需要使用强化学习来训练自然语言任务，就需要使用额外的奖励模型来生成奖励。在该对话任务中，我们可以使用一个复合的奖励模型，它包含以下三个部分：

意图奖励：即当智能体生成的语句和期望的意图接近时，智能体便可以获得更高的奖励。

METEOR指标奖励：METEOR 是一个用于评估文本生成质量的指标，它可以用来衡量生成的语句和期望的语句的相似程度。我们把这个指标作为奖励反馈给智能体，以达到优化生成的语句的效果。

KL散度奖励：该奖励用来限制智能体生成的文本偏离预训练模型的程度，防止出现reward hacking的问题。

我们最终的奖励为以上三个奖励的加权和，其中 KL散度奖励 的系数是随着KL散度的大小动态变化的。想在OpenRL中使用该奖励模型，用户无需修改训练代码，只需要在 nlp_ppo.yaml 文件中添加reward_class参数即可：

# nlp_ppo.yaml
reward_class:
    id: NLPReward # 奖励模型名称
    args: {
        # 用于意图判断的模型的名称或路径
        "intent_model": rajkumarrrk/roberta-daily-dialog-intent-classifier,
        # 用于计算KL散度的预训练模型的名称或路径
        "ref_model": roberta-base, # 用于意图判断的tokenizer的名称或路径
    }

OpenRL支持用户使用自定义的奖励模型。首先，用户需要编写自定义奖励模型(需要继承 BaseReward 类)。接着，用户需要注册自定义的奖励模型，即在train_ppo.py添加以下代码：

# train_ppo.py
from openrl.rewards.nlp_reward import CustomReward
from openrl.rewards import RewardFactory
RewardFactory.register("CustomReward", CustomReward)

最后，用户只需要在配置文件中填写自定义的奖励模型即可：

reward_class:
    id: "CustomReward" # 自定义奖励模型名称
    args: {} # 用户自定义奖励函数可能用到的参数

九、自定义训练过程信息输出

OpenRL还支持用户自定义wandb和tensorboard的输出内容。例如，在该任务的训练过程中，我们还需要输出各种类型奖励的信息和KL散度系数的信息， 用户可以在nlp_ppo.yaml文件中加入vec_info_class参数来实现:

# nlp_ppo.yaml
vec_info_class:
    id: "NLPVecInfo" # 调用NLPVecInfo类以打印NLP任务中奖励函数的信息
#设置wandb信息
wandb_entity: openrl # 这里用于指定wandb团队名称，请把openrl替换为你自己的团队名称
experiment_name: train_nlp # 这里用于指定实验名称
run_dir: ./run_results/ # 这里用于指定实验数据保存的路径
log_interval: 1 # 这里用于指定每隔多少个episode上传一次wandb数据
# 自行填写其他参数...

修改完配置文件后，在train_ppo.py文件中启用wandb:

# train_ppo.py
agent.train(total_time_steps=100000, use_wandb=True)

然后执行python train_ppo.py –config nlp_ppo.yaml，过一会儿，便可以在wandb中看到如下的输出：

从上图可以看到，wandb输出了各种类型奖励的信息和KL散度系数的信息。

如果用户还需要输出其他信息，还可以参考 NLPVecInfo 类 和 VecInfo 类来实现自己的CustomVecInfo类。然后，需要在train_ppo.py中注册自定义的CustomVecInfo类：

# train_ppo.py 
# 注册自定义输出信息类 
VecInfoFactory.register("CustomVecInfo", CustomVecInfo)

最后，只需要在nlp_ppo.yaml中填写CustomVecInfo类即可启用：

# nlp_ppo.yaml
vec_info_class:
    id: "CustomVecInfo" # 调用自定义CustomVecInfo类以输出自定义信息

10、使用混合精度训练加速

OpenRL还提供了一键开启混合精度训练的功能。用户只需要在配置文件中加入以下参数即可：

对比评测

# nlp_ppo.yaml
use_amp: true # 开启混合精度训练

下表格展示了使用OpenRL训练该对话任务的结果。结果显示使用强化学习训练后，模型各项指标皆有所提升。另外，从下表可以看出，相较于 RL4LMs ， OpenRL的训练速度更快（在同样3090显卡的机器上，速度提升 17% ），最终的性能指标也更好：

最后，对于训练好的智能体，用户可以方便地通过 agent.chat() 接口进行对话：

# chat.py
from openrl.runners.common import ChatAgent as Agent
def chat():
    agent = Agent.load("./ppo_agent", tokenizer="gpt2",)
    history = []
    print("Welcome to OpenRL!")
    while True:
        input_text = input("> User: ")
        if input_text == "quit":
            break
        elif input_text == "reset":
            history = []
            print("Welcome to OpenRL!")
            continue
        response = agent.chat(input_text, history)
        print(f"> OpenRL Agent: {response}")
        history.append(input_text)
        history.append(response)
if __name__ == "__main__":
    chat()

执行 python chat.py ，便可以和训练好的智能体进行对话了：

十一、总结

OpenRL框架经过了OpenRL-Lab的多次迭代并应用于学术研究和AI竞赛，目前已经成为了一个较为成熟的强化学习框架。OpenRL-Lab团队将持续维护和更新OpenRL，欢迎大家加入我们的开源社区，一起为强化学习的发展做出贡献。更多关于OpenRL的信息，可以参考：

• OpenRL官方仓库：https://github.com/OpenRL-Lab/openrl/
• OpenRL中文文档：https://openrl-docs.readthedocs.io/zh/latest/

十二、致谢

OpenRL框架的开发吸取了其他强化学习框架的优点：

• Stable-baselines3: https://github.com/DLR-RM/stable-baselines3
• pytorch-a2c-ppo-acktr-gail: https://github.com/ikostrikov/pytorch-a2c-ppo-acktr-gail
• MAPPO: https://github.com/marlbenchmark/on-policy
• Gymnasium: https://github.com/Farama-Foundation/Gymnasium
• DI-engine: https://github.com/opendilab/DI-engine/
• Tianshou: https://github.com/thu-ml/tianshou
• RL4LMs: https://github.com/allenai/RL4LMs

十三、未来工作

目前，OpenRL还处于持续开发和建设阶段，未来OpenRL将会开源更多功能：

• 支持智能体自博弈训练
• 加入离线强化学习、模范学习、逆强化学习算法
• 加入更多强化学习环境和算法
• 集成Deepspeed等加速框架
• 支持多机分布式训练