这是我看到的最全面最详细的ml-agent讲解。（只用于学习与知识分享，如有侵权，联系删除。谢谢！）
来自CodeGize的个人博客 。源链接：https://www.cnblogs.com/CodeGize/p/7674281.html#undefined
个人知识补充：（安装时如有提示pip版本低请按照以下步骤解决，没有报错可忽略）
在 “输入命令安装Tensorflow 输入 pip install –U tensorflow” 步骤时，如果你的pip版本不是最新，就会报错，没办法必须是最新版本。
去pip官网下载最新版解压到自定义目录即可，从开始菜单中，打开Anacoda Prompt，进入到解压后的 pip-10.0.1(我用到的版本)目录下
（同磁盘目录直接 cd 所在目录 即可；非同磁盘，C：或D：(所在磁盘)进入磁盘之后cd）。
进入目录之后, 输入 python setup.py install 命令进行安装。安装之后继续安装Tensorflow即可。
进入正文：
简介
AI人工智能，更准确地说机器学习（machine learning）最近一年非常火热。在最近一段时间，Unity也发布了一个机器学习的工具，叫做ml-agent。
英文介绍如下：
https://blogs.unity3d.com/cn/2017/09/19/introducing-unity-machine-learning-agents/
中文介绍如下：
http://forum.china.unity3d.com/thread-27837-1-1.html
工程在Github上的地址如下
https://github.com/Unity-Technologies/ml-agents
从代码结构上看，ml-agent实现了前端用unity做表现，后端用Phython进行人工智能演算的系统。
搭建环境
主要环境
官方推荐环境如下
- Phython2/3 64位
- jupyter notebook
- TensorFlow (1.0+) (Training)
- Visual Studio 2017
- Unity3d 2017
隆ml-agent代码库
从Github网站上克隆（下载）ml-agent，代码，放在任意位置下。
安装Unity2017.2
从Unity官网下载Unity2017.2，安装。
下载地址https://store.unity.com/cn/download?ref=personal
安装VS2017
从微软官网https://www.visualstudio.com/zh-hans/downloads/下载，运行后选择需要的模块。这边虽然有提供python的相关插件，但是我们选择后面单独安装。
安装Anaconda
从Anaconda官网安装Anaconda5.0.0
下载地址https://www.anaconda.com/download/#windows
安装后从开始菜单打开Anaconda Navigator，在左侧选择Environments。在下方菜单中点击Create创建一个环境，取名为tensorflow，python版本选择为3.6。等待环境创建完成。
安装Tensorflow及其依赖库
从开始菜单中，打开Anacoda Prompt。
首先激活刚刚创建的环境，输入命令
activate tensorflow
输入命令安装Tensorflow
pip install –U tensorflow
等待一段时间直到安装完成。至此完成了Tensorflow最新版本的安装。（目前是1.3.0版本）
后面还要输入命令，所以暂时不要关闭窗口
安装ml-agent依赖库
完成Tensorflow安装后，继续在Anacoda Prompt中输入命令切换到ml-agent所在的目录中python目录的位置。比如ml-agent安装目录为D:\Git\ml-agent，则输入
cd D:\Git\ml-agent\python
如果你的Anaconda不是安装在ml-agent目录相同的磁盘，那么需要切换到ml-agen所在的磁盘。比如这里Anaconda的安装目录为C盘，ml-agent安装目录为D:\ml-agent，则需要切换到D盘，输入
D:
然后开始安装Demo所需的环境，输入命令
pip install .
注意，注意不要遗漏最后的点号。等待安装完成即可。此时依然不用关闭这个窗口
运行
编译Unity程序
Unity的ml-agent提供了多干的demo。这里尝试运行3dball这个demo。
使用Unity2017打开ml-agent下unity-environment文件夹。
打开Assets\ML-Agents\Examples\3DBall目录下的scene文件。在场景中选择Ball3DAcademy下的Ball3DBrain物体，将TypeOfBrain修改为External，表示从Tensorflow中获取数据。
菜单中选择File->Build Setting，添加当前所在场景。（可以勾选Development Build以便查看输出）
点击PlayerSeting，检查设置
Resolution and Presentation -> 勾选Run in Background
Resolution and Presentation -> Display Resolution Dialog设置为disable
回到Build Setting面板，点击Build，编译到ml-agent的python目录中。名为3dball.exe
运行Jupyter Notebook
回到Anacoda Prompt命令窗口。注意一定要切换到ml-agent中python所在的目录。输入
jupyter notebook
运行之后，一方面会出现一个命令行窗口，另一方面会同时打开一个网页
点击网页中的PPO.ipynb。修改其中env_name的值为刚刚编译出来的exe名字。注意不要加exe。然后在菜单上选择Cell->RunAll
运行后，可以看到刚刚编译出来的exe被运行起来
总结
注意几个点
- 虽然很多文章表明tensorflow用python3.5比较好，但是没有深入研究到底有什么影响。
- 由于Anaconda使用的5.0.0版本，所以默认使用的是python3.6的版本。在这样的情况下，如果创建python3.5的环境，安装tensorflow1.2，会出现运行的时候找不到tensorflow的问题。而如果使用python3.6的环境，但是安装tensorflow1.2，会出现tensorflow. TensorLayer找不到的问题。这些问题花了好多时间排查，需要注意所以最终这里使用的是Anaconda5.0.0，python3.6以及tensorflow1.3
- 安装依赖库的时候需要注意，一定要切换好环境。否则很可能安装到不同的环境下。这里安装前一定会输入activate tensorflow命令（tensorflow是我创建的环境名）
原文地址：https://www.cnblogs.com/yanghui0702/p/yanghui_20180423.html