2.1　剖析智能體

正如上章所述，RL的世界中包含很多實體：

• 智能體：主動行動的人或物。實際上，智能體只是實現了某些策略的代碼片段而已。這個策略根據觀察決定每一個時間點執行什么動作。
• 環境：某些世界的模型，它在智能體外部，負責提供觀察并給予獎勵。而且環境會根據智能體的動作改變自己的狀態。

我們來探究一下如何在簡單的情景下，用Python實現它們。先定義一個環境，限定交互步數，并且不管智能體執行任何動作，它都給智能體返回隨機獎勵。這種場景不是很有用，卻能讓我們聚焦于環境和智能體類中的某些方法。先從環境開始吧：

前面的代碼展示了環境初始化內部狀態。在示例場景下，狀態就是一個計數器，記錄智能體還能和環境交互的步數。

get_observation()方法能給智能體返回當前環境的觀察。它通常被實現為有關環境內部狀態的某些函數。不知你是否對-> List[float]感到好奇，它其實是Python的類型注解，是在Python 3.5版本引入的。在https://docs.python.org/3/library/typing.html的文檔中可以查看更多內容。在示例中，觀察向量總是0，因為環境根本就沒有內部狀態。

get_action()方法允許智能體查詢自己能執行的動作集。通常，智能體能執行的動作集不會隨著時間變化，但是當環境發生變化的時候，某些動作可能會變得無法執行（例如在井字棋中，不是所有的位置能都執行所有動作）。而在我們這極其簡單的例子中，智能體只能執行兩個動作，它們被編碼成了整數0和1。

前面的方法給予智能體片段結束的信號。就像第1章中所述，環境–智能體的交互序列被分成一系列步驟，稱為片段。片段可以是有限的，比如國際象棋，也可以是無限的，比如旅行者2號的任務（一個著名的太空探測器，發射于40年前，目前已經探索到太陽系外了）。為了囊括兩種場景，環境提供了一種檢測片段何時結束的方法，通知智能體它無法再繼續交互了。

action()方法是環境的核心功能。它做兩件事——處理智能體的動作以及返回該動作的獎勵。在示例中，獎勵是隨機的，而動作被丟棄了。另外，該方法還會更新已經執行的步數，并拒絕繼續執行已結束的片段。

現在該來看一下智能體的部分了，它更簡單，只包含兩個方法：構造函數以及在環境中執行一步的方法：

在構造函數中，我們初始化計數器，該計數器用來保存片段中智能體累積的總獎勵：

step函數接受環境實例作為參數，并允許智能體執行下列操作：

• 觀察環境。
• 基于觀察決定動作。
• 向環境提交動作。
• 獲取當前步驟的獎勵。

對于我們的例子，智能體比較愚笨，它在決定執行什么動作的時候會忽視得到的觀察。取而代之的是，隨機選擇動作。最后還剩下膠水代碼，它創建兩個類并執行一次片段：

你可以在本書的GitHub庫中找到上述代碼，就在https://github.com/PacktPublishing/Deep-Reinforcement-Learning-Hands-On- Second-Edition的Chapter02/01_agent_anatomy.py文件中。它沒有外部依賴，只要稍微現代一點的Python版本就能運行。多次運行，智能體得到的獎勵總數會是不同的。

前面那簡單的代碼就展示了RL模型的重要的基本概念。環境可以是極其復雜的物理模型，智能體也可以輕易地變成一個實現了最新RL算法的大型神經網絡（NN），但是基本思想還是一致的——每一步，智能體都會從環境中得到觀察，進行一番計算，最后選擇要執行的動作。這個動作的結果就是獎勵和新的觀察。

你可能會問，如果基本思想是一樣的，為什么還要從頭開始實現呢？是否有人已經將其實現為一個通用庫了？答案是肯定的，這樣的框架已經存在了，但是在花時間討論它們前，先把你的開發環境準備好吧。