接之前的内容通过TensorBoard进行PPO参数优化
已经基本跑通强化学习的流程后，开始尝试自定义一个环境进行训练。

项目地址 learn2

自定义环境

通过简单的环境进行尝试。
考虑过：

• 五子棋：需要写一个五子棋的算法和ai下棋，🤔，先缓缓
• 贪吃蛇：ai写一个贪吃蛇好像很快
• 俄罗斯方块：会不会太复杂，考虑的内容有点多，一个M4的机器扛得住吗？不确定
• FlappyBird：🤔，应该是一个不错的选项，但是没写过类似的游戏，没啥经验，后续可以研究研究
• ...

综上所属：找ai写一个贪吃蛇。✌️
然后找ai写了一个CustomEnv.py

开始训练

根据之前的经验，训练了6次。
怎么说呢，感觉不是很理想。整体的训练虽然向着好的方向前进，但是有点，呃，🤔，波动感觉有点大。
如下图：

虽然成功的让ep_rew_mean变成了正数，但是出现了一些问题。
测试的时候发现：

• 一直原地转圈。最小的4个格子，疯狂的转圈圈，不去找食物。
• 没有积极的去吃食物，会出现乱跑散步的情况。

😐，总计起来就是：训练的毫无意义。

通过检查，可以发现，最开始为了省事，使用ai生成的贪吃蛇代码，其中是有些问题的：

• 每执行一步-0.01，吃到食物+1，这样就会出现一种情况：不停的绕圈活着比找食物冒险，获得的收益要高（这里需要注意，这个收益是指在训练过程中，随机的情况下，一只绕圈所获得的奖励会高于或等于平均每局的奖励）。所以，就会出现转圈圈苟活的情况。
• 死亡-1，吃到食物+1，正向收益不够的时候，就会出现在初期就减少探险的行为，导致不愿意探索。（个人感觉，这个虽然可以通过加长训练时间来进行弥补，但是会让模型偏保守）。
• 填满地图通关没有额外奖励，导致模型没有动力去追求最高分。

所以，总结一下，个人认为，进行PPO模型训练的时候，不应只是一味的调整模型参数进行训练，也要同步进行思考模型的训练环境所给的奖励反馈是否合理。