[20200318更新]注意：之前关于下载CUDA与cuDNN的版本我写错了，首先道个歉。如果要想用Tensorflow利用GPU进行训练，就需要Tensorflow、CUDA、cuDNN的版本对应一致。之前我弄错了！我们后面用的Tensorflow的版本是2.0.1，所以对应CUDA的版本应该是CUDA v10.0，而相应的cuDNN v7.6.5即可，下面的截图都是我之前错误的10.2.89版本，是不能用GPU进行训练的（虽然还可以用CPU进行训练）！！！但是安装过程都是一样的。因此后文修改一下文字内容，图片就不改了。!一定要先看到这一行~别搞错了！
一、ML-Agents简介
近期在学习Unity中的机器学习插件ML-Agents，做一些记录，用以简单记录或交流学习。
先简单说一下机器学习使用的环境场景：高视觉复杂度（Visual Complexity，例如星际争霸、Dota2职业玩家与AI竞技）、高物理复杂度（Physical Complexity，例如模拟两足、四足生物行走，这里Unity ML-Agents官方也有相关例子）、高认知复杂度（Congnitive Complexity，例如AlphaGo）。以上几种场景利用传统算法较难搞，而利用机器学习，会更加容易解决这些问题。
而ML-Agents（Machine Learning Agents），则是Unity中使用的一款开源机器学习插件，利用该插件，可以实现一些游戏对象的智能操作。例如控制 NPC 行为（采用各种设置， 例如多个 agent 和对抗）、对游戏内部版本进行自动化测试、以及评估不同游戏设计决策的预发布版本等等。
ML-Agents中主要有两种学习方法：强化学习（Reinforcement Learning）和模仿学习（Imitation Learning），它们各自特点如下：
-
强化学习：通过奖励（Reward）学习；试错；超高速模拟；代理（Agent）在任务中趋向“最优”。官方最开始几个例子都是强化学习。
如上图，其中Agent就是在游戏对象上的代理，通过外部环境（这里在训练的时是利用外部PythonAPI，或是使用训练好的TensorFlow模型）根据Agent的行为（Action）来返回激励（状态或是奖励），Agent接收到激励后，再改变自己的行为反馈给外部环境，从而形成闭环学习过程。
-
模仿学习：通过示例（demonstration）学习；没有奖励的必要；实时交互；代理（Agent）在任务中趋向“人一样的行为”。
AI会借助特定模仿对象的行为学习，实际操作中AI会实时收集老师的示范操作，帮助学习，在实时交互的过程中，让AI更趋向人的行为。
更多ML-Agents的介绍会在之后记录，例如ML-Agents的架构等等。
二、环境部署及各软件版本
主要下载这么几个东西（附带版本号，近期入手的，所以版本都整最新的搞起【2020.03.08】）：
-
Unity 2019.2.0f1 (64-bit)。这里用的是Unity2019.2版本，其他版本应该也行，最好2018保底。
-
ml-agents v0.15.0。官方ml-agents更新有点快，因为我最近学，所以也上最新master的了，但并不是稳定版本，与之前ml-agents有所区别，而且发现不需要在场景中建立附加Academy脚本的物体了，这玩意在最新版里搞成单例了。
-
CUDA v10.0。这个主要和Tensorflow-GPU版本有关系，我们后面用到的是TensorFlow2.0.1，所以下载CUDA对应为v10.0。
-
cuDNN v7.6.5。这个又是和CUDA进行匹配的，cuDNN v7.6.5 for CUDA 10.0。
-
Anaconda3 v2019.10。另外我建立的工程中，Python版本是v3.7.6，TensorFlow的版本对应是2.0.1。
下面一一讲解如何对这些进行安装。
三、安装CUDA与cuDNN
CUDA与cuDNN是干啥的，贴网上两段话：“CUDA是NVIDIA推出的CUDA运算平台的工具集，CUDA提供了一个强大的开发环境，用于开发高性能的GPU加速应用。通过CUDA，你能开发、优化和部署你的应用在多种平台，例如GPU加速嵌入式系统、桌面工作站，企业数据中心，云平台和HPC超级计算机。”、“cuDNN专门针对深度神经网络框架设计的一套GPU计算加速方案。全世界的深度学习研究者和框架开发者都使用CUDNN来增强GPU计算性能。”这里其实不太清楚对A卡是咋适配的，所以我默认使用的都是N卡。。。
简而言之，这两个东西就是给显卡配置环境的，让你的显卡具有机器计算的环境。话不多说，直接开始：
1、下载CUDA v10.0
地址：https://developer.nvidia.com/cuda-10.0-download-archive?target_os=Windows&target_arch=x86_64
现在点进去应该直接就是10.0版本的下载，不是的话点击“Legacy Releases”找，也可以直接下载最新的试试看。我是Windows系统，因此以Windows为例（别的系统。。还是自己再找找有没有别的配置方案）。
点击之后出现如下画面，可以照我的选。
这里面Version是选系统的版本。Installer Type就是选择安装类型，如果选择exe（local），那就是要下载CUDA完整包，前面的exe（network）会利用官方的下载器下载。两个都可以试试，看哪个快，我是用下载器下载比较快。
2、安装CUDA
注意：开始安装CUDA前，需要关闭任何正在运行的Unity和Visual Studio程序。
如果下载network类型的话，下载好后直接打开，解压地址随意选择，点OK。出现如下画面。
注意：这里会检查系统的兼容性，如果不兼容的话，它会有Warning的提示，要是没有直接显示同意NVIDIA软件许可协议的话，就要注意了，这里应该是CUDA的版本与你的显卡不兼容，所以可以试着换个低版本的CUDA下载安装。
如果CUDA版本与显卡版本匹配的话直接显示许可协议同意，如下图。
后面的可以都默认，一路“下一步”，装完就OK。
3、安装cuDNN v7.6.5 for CUDA 10.0
地址：https://developer.nvidia.com/cudnn
在页面中选择“Download cuDNN”。
点击后，会出现以下画面，这里我们需要有一个NVIDIA的账号，有的话直接登录，没有的话花2分钟注册一个登录即可。
我这里直接登录，出现的画面中点击“I Agree to the Terms of the……”。
这里我们选择和之前CUDA对应的版本来下载，之前我们下载的是CUDA 10.0，因此选择第三个。打开选项后选择对应系统版本进行下载，我们这里选择Win10。
下载之后是一个压缩包，如下。
解压之后，将解压文件中的“bin”、“include”、“lib”三个文件夹覆盖到之前CUDA安装的路径下，如果之前CUDA安装时未改路径的话，应该是这个路径：C:Program FilesNVIDIA GPU Computing ToolkitCUDAv10.0
至此，CUDA和cuDNN安装完毕，下面还要对“环境变量”进行配置。
4、设置环境变量和路径
在开始菜单中，搜索“envir”，总之进入“编辑系统环境变量”。
点击“环境变量”。
然后在“系统变量”中点击“新建”，按下图输入。
注意，上面是用户的环境变量，下面是系统的环境变量，我之前没注意，都把这些变量加到上面去了，不过应该只要用自己的用户登录都行，大家可以把变量加到下面去。
然后还要在在系统变量的“Path”中加入两个路径。
以上就是CUDA和cuDNN的环境变量配置，之后装AnaConda3还需要进行环境变量配置，之后会有写到。
再次提醒！！！！我们上面的图片上虽然下载的是CUDA v10.2，但是实际上我们要用的是CUDA v10.0版本的，要对应我们Tensorflow的版本才行！！！希望大家对应文字来下载配置，随机应变，不要只是看图了，我们这里用CUDA v10.0哦，不是10.2！！！！！！
四、安装Anaconda
1、下载Anaconda3 2019.10
地址：https://www.anaconda.com/distribution/
进入网站后，找到下面的截图，按自己的系统需要下载。
下载好后，进行安装。
一路下一步就行，最好选择默认路径进行安装，里面的选项选不选也随意，然后Install就行。
2、Anaconda环境配置
这一步应该不是必须的，但以防万一，还是配置一下。还是进入“编辑系统环境变量”，在系统变量（或用户变量）的Path里新建以下四个地址（这里的地址是根据之前Anaconda安装路径来设定的，我这里的路径是默认路径）：
五、ml-agents环境配置
1、下载ml-agents源码
下载地址：https://github.com/Unity-Technologies/ml-agents
我下的是master分支上的，也就是2020年3月5号左右，版本是0.15.0。
当然，在git上下载太慢了，而且下下来可能压缩包还包含错误，坑的呀批。所以建议利用码云下载，快捷方便，具体可以看下面网址的教程：
https://blog.csdn.net/TeFuirnever/article/details/99110367
下载好后在任意地方解压，如下。
以上源码下载好后，以作备用，下面先配置Anaconda。
2、Anaconda换源
在用Anaconda创建环境时，会自动下载相应的依赖库，包括python、tensorflow、pip、wheel等等。虽然我也不知道这些是干啥的。。。但是默认用国外的地址下载慢的要死，而且很有可能在创建环境时失败！
所以需要换下载这些库的地址，方法很多，网上很多是敲命令行，我这里直接修改配置文件来换源。找到C:Users<你的用户名>文件下，有一个名为“.condarc”文件，则是Anaconda的配置文件，打开进行编辑。
可以直接按我的进行配置，我配置的是清华的镜像源，里面好像还乱入了个中科大的。
https://mirrors.ustc.edu.cn/anaconda/pkgs/free/
https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
然后保存，进行下面的步骤。
3、Anaconda创建环境
Anaconda的环境创建可以用Anaconda Prompt，也就是命令行来建立，也可以利用Anaconda Nvigator来创建，后者主要是可视化的创建过程。这玩意其实就是搭建训练平台，之后Unity中的项目训练通过socket和Anaconda中你搭建好的mlagents环境进行通信，实现训练过程。
首先找到“Anaconda Navigator”运行。
运行后找到“Environments”，新装的里面只有一个“base(root)”，我这里之前已经建立好了一个ML_Agents，不用管它，我们新建一个，点击“Create”。如下图：
点击后，出现如下对话框，其中Name随意写，Python版本就选3.7。
然后建立，会等一会儿，可以看到右下角有进度条不停滑动，如果这里滑动半天，最后提示失败，那就说明是因为依赖库没有下载下来，那你就需要参考前面的“Anaconda换源”来换个镜像地址试试看。
这里如果成功的话，我们进行下一步。
建立成功后，例如我建立的环境叫“EnvirExample”，然后点击三角符号，“Open Terminal”，这个时候我们就进入命令台模式了，之后都需要在这里输入命令进行操作。
到这里后，我们cd到之前下好ml-agents源码解压的地方，例如我这里是桌面地址，则输入如下命令：cd /d C:UsersXuDesktopml-agents ，然后回车。
然后，下面需要恢复ml-agents需要的库，这里需要装两个文件夹里的东西，分别是ml-agents-envs和ml-agents。
因此，下一步我们在命令行里先敲： pip install -e ml-agents-envs 。如下：
按理来说，这里会进行就会自动下载依赖文件了，结果我在这里卡了好久，可能会出现以下错误：
整了半天，还有各种别的错误出现，最后总结出来的原因是，因为镜像站太慢或者是没有相对应的库，因此找到了解决方案：
http://www.manongjc.com/detail/8-newslizewxdvgby.html
上面的地址是解决方法，也可以不用看，在这一步，我们只需要修改命令为：
pip install -e ml-agents-envs -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com
这样的话，就可以通过豆瓣镜像下载库了，这里大坑。成功后的样子：
然后，用同样的方法下载ml-agents文件架下的库，命令如下：
pip install -e ml-agents -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com
若成功则显示如下：
上面的样子可能长得不一样，总之如果安装成功，那命令行里肯定没有类似黄色、红色的字体，就说明这两个文件夹中的环境配置成功了！最麻烦的配置已经过去了。下面我们就可以开始使用了！！激动激动~
六、ML-Agents试运行
1、Unity官方训练示例
我们这里直接用一个ml-agents官方的实例来实验一下，先打开Unity，打开官方的项目，官方项目就在ml-agents源码的“Project”文件夹中，如下图：
我用2019直接打开，会提示我源工程版本较老，自动升级一下就行。
打开项目后，我们在Project->Assets->ML-Agents->Examples->3DBall->Scenes->中找到3DBall场景，如下：
这里我们可以直接运行，可以看到12个小平台努力不让球掉落，这里每个平台的Agent已经有官方训练好的Model了，后缀名为.nn，如下图：
我们用ml-agents中的强化学习时，其实就是预先没有这个训练模型（即这个.nn文件），我们自己需要训练一个出来。
2、训练一个自己的模型出来
Unity先停止运行。
打开我们之前在Anaconda中的控制台，之前安装完环境应该还没关，当然要是关了重新打开的话，记的还是要选择我们创建的环境，我的是“EnvirExample”，然后打开Terminal。同时还要cd到ml-agents的目录去，我的在桌面，则输入：cd /d C:UsersXuDesktopml-agents 。
总之需要满足前面括号里是你创建的环境，后面是ml-agents源码目录。
然后输入以下命令，准备开始训练：
mlagents-learn config rainer_config.yaml --run-id=test01 --train
这里第二个“config rainer_config.yaml”就是源文件中对此次训练的配置文件。
出现画面后，切换到Unity上开始运行项目。就可以进行训练啦~
这个例子应该会训练500000步，训练完后，会输出相应的模型文件。
这里就是训练出的模型，可以替换Unity中的模型文件，试试看自己训练出的数据。
在控制台里，还可以输入一下命令查看训练图：
tensorboard --logdir=summaries
然后在浏览器里复制地址，我这里的是http://localhost:6006/。打开之后就可以看到训练统计数据了~
至此，ml-agents的配置和初运行就大功告成啦~！
引用：https://www.bilibili.com/video/av49257917?from=search&seid=5553688680482591789
https://blog.csdn.net/u014361280/article/details/102782486#一、ML-Agents 介绍
https://github.com/Unity-Technologies/ml-agents/
写文不易~因此做以下申明：
1.博客中标注原创的文章，版权归原作者 煦阳（本博博主） 所有；
2.未经原作者允许不得转载本文内容，否则将视为侵权；
3.转载或者引用本文内容请注明来源及原作者；
4.对于不遵守此声明或者其他违法使用本文内容者，本人依法保留追究权等。