先看看planet训练的carla效果：
我们以数据流向为主线索，讲讲论文代码做了些什么事情。
跑算法就是先收集数据，然后把它feed到构建好的模型中去训练。这个代码还多了一步planning。planning完收到新的数据，于是又开始新的一轮训练，循环下去。
那么问题来了：
代码语言：javascript复制首先数据从哪里得到？
def start(logdir, args):
1.1 #首先config是多层dist（dist嵌套dist嵌套dist...，总之装各种东西的），所有的参数和函数都存放到config里面。
config = tools.AttrDict()
config = getattr(configs, args.config)(config, args.params)
#即这个函数：
def default(config, params):
config.zero_step_losses = tools.AttrDict(_unlocked=True)
config = _data_processing(config, params) # data config
config = _model_components(config, params) # model config
config = _tasks(config, params) # task config
config = _loss_functions(config, params) # loss config
config = _training_schedule(config, params) # training config
return config
1.2 #开始去获取数据，
training.utility.collect_initial_episodes(config)
def random_episodes(env_ctor, num_episodes, output_dir=None):
#层层wrap，每层上都处理一点操作，直达最后的核心。
# 其实这一系列封装的env是在子进程中进行的，是由子进程产生真正的环境互动。
env = env_ctor()
#原进程发出命令，子进程产生了互动，原进程收到后再将episode写入outdir指定的位置。
env = wrappers.CollectGymDataset(env, output_dir)
#起了一个子进程跑env sever，与原进程的通过pipe通信：
env = control.wrappers.ExternalProcess(env_ctor)
#当下面函数运行时，实际是去call-> pipe.send
obs = env.reset()
#其实reset,step,close 都是去call，然后block到receive返回值，这个返回值就是具体observation
2。通过与子进程的环境互动得到的episode保存到哪里？ 当层层封装的env调用函数时，env.step会递归地深入最里层，然后执行最后一行self._process_step。这一行将episode写入到outdir。
代码语言：javascript复制
def step(self, action, *args, **kwargs):
if kwargs.get('blocking', True):
transition = self._env.step(action, *args, **kwargs)
return self._process_step(action, *transition)
3.从这个函数开始将数据从硬盘读到内存来使用： def numpy_episodes： 1 #三个参数：1 生成数据的函数 2 数据类型 3 tensor shape train = tf.data.Dataset.from_generator( functools.partial(loader, train_dir, shape[0], **kwargs), dtypes, shapes)： loader实际是这个函数，即：将硬盘中的npz文件读入 def _read_episodes_reload 将读入的数据chunking（就是将读入的数据x，切成固定的长度chunk_length，这样数据就是以chunk为单位了） train = train.flat_map(chunking)
好，数据准备好了，就是构造网络，计算出loss，再optimization就好了。 整个loss函数就是两部分，construction部分和KL部分，KL部分用到了overshooting。
那么什么是overshooting？ 1. 首先当length=50，即50个time step。由这个函数得出的post 和 posterior ，将posterior作为prev_state 经过第一次cell，输出prior。用这个prior和posterior做KL，就是d=0的overshooting。这个之所以叫zero_step,因为这里KL的prior确实是由posterior直接生成的，且都属于同一个state。 有一个认知特别重要,一个state表示下图虚线框，一个state可以是posterior，也可以是prior。 一个state如图有5个元素，也就是posterior和prior有5个元素。且，同一个state的posterior和prior的belif和rnn_state相同。
(prior, posterior), _ = tf.nn.dynamic_rnn(
cell, (embedded, prev_action, use_obs), length, dtype=tf.float32, # cell, inputs:shape(batchsize,max_time,?):(40,50,?), sequence_length:shape(batchsize,):(40,)
swap_memory=True)
上面这个函数很关键，有两层cell，外层cell先传入dynamic_rnn. 两层cell分别做了什么呢？如下图：
2.继续讲overshooting。因为d不光=0，不光是固定步长，d可以= 1,2,3....amount 。所有overshooting就是求每一列的posterior（在图中每一列的底部）与这列的其他所有priors做KL。
3. （说来说去overshooting本质上就做了这样一件事）将1.中所得posterior 作为prev_state 放入dynamic_rnn（）求出每一斜行的priors，与这一斜行对应的投影posterior做KL。
做完overshooting把posterior和priors等都准备好了，可以计算loss了，loss由zero_step loss 和 overshooting loss组成： 1.KL，global KL loss就是求两个分布的距离，而共有（50,50）个这样的分布 2.去调用相应函数去计算出output（reward，image，state） ： output = heads[key](features) # decoder is used. output与对应的target做交叉熵： loss = -tools.mask(output.log_prob(target[key]), mask) 最后再将loss求个均值，再根据key存放到一个字典losses中。 loss = -tools.mask(output.log_prob(target[key]), mask) losses[key]
如下图：
这样zero_step loss就计算完了，现在来看overshooting loss，调用的函数都是compute_losses，区别只是准备好的数据不同。
loss计算完了，接下来是优化部分： config.optimizers由state和main两个元素，main函数一执行生成tools.CustomOptimizer对象，里面什么配置都有，包括lr，用那个优化函数等。state与main同理
代码语言：javascript复制
_define_optimizers：
optimizers[name] = functools.partial(
tools.CustomOptimizer, include=r'.*/head_{}/.*'.format(name), **kwargs)
优化设置好了，就开始训练模型N步。这轮训练好了，要用这轮的模型做planning了：
其实无论是计算loss，model还是simulation所有这些工作，代码中都按时间先后分为两大步骤。以simulation工作为例，它的第一步都是在config阶段完成配置，第二步在define_model（）去具体执行。 1.配置阶段，把planning会用到cem函数，参数，各种参数都封装好，放入config.sim_collects config.sim_collects = _active_collection(config, params) -> _define_simulation 2.在loss计算完，optimization 配置好后，在define_model（）中开始一系列调用：
注：-> 指调用 这条线首先会判断该不该should_collect，如果应该，则进入这条长长的函数调用线： define_model（） -> simulate_episodes（） -> simulate（） -> -> collect_rollouts（）此函数里生成了MPCAgent（）（即生成algo对象）-> simulate_step模拟出一步的总入口，而tf.scan（）会让这个函数执行200次，即走200步。->_define_begin_episode()这里把环境reset了 -> _define_summaries（） -> _define_step() -> algo.perform(agent_indices, prevob) 首先embedded，再求posterior，用这个state开始做planning，输出一个action。 上面是不断往里层调函数，返回值中有一个关键的score从哪里来的，返回到哪里去，如下： add_score = score_var.assign_add(batch_env.reward) 返回给 step, score, length = _define_step() 返回给 define_summaries
最后的总结，如下图，整个过程中的一圈就完成了，再来就是新的一轮fit model再planning。
另外一个视频效果:看一下未见环境的泛化能力。
