ChainerRLのact_and_trainメソッドでエラー

Question

前提・実現したいこと

Chainerを使ってオセロの棋譜を学習させたCNNを、今度はChainerRLのREINFORCEアルゴリズムを使って強化学習させようとしています。
しかし、掲載したコードを実行すると、agent.act_and_trainに呼ばれるmodel(Classifierでラップされている)で
TypeError: call() missing 1 required positional argument: 'x'
と出てしまいます。
引数でbatch_obsを取っているはずなのですが、どうしてでしょうか？
よろしくお願いします。

発生している問題・エラーメッセージ

Traceback (most recent call last):
  File "test_train.py", line 63, in <module>
    main()
  File "test_train.py", line 45, in main
    action = agent.act_and_train(obs, reward)
  File "C:\Users\26xor\Anaconda3\lib\site-packages\chainerrl\agents\reinforce.py", line 79, in act_and_train
    action_distrib = self.model(batch_obs)
  File "C:\Users\26xor\Anaconda3\lib\site-packages\chainer\links\model\classifier.py", line 114, in __call__
    self.y = self.predictor(*args, **kwargs)
TypeError: __call__() missing 1 required positional argument: 'x'

該当のソースコード

'''強化学習のコード'''

model1 = L.Classifier(SLPolicy.SLPolicyNet(), lossfun=softmax_cross_entropy) # 対戦させるモデル
serializers.load_npz("./models/rl/model0.npz", model1)
optimizer = optimizers.Adam()
optimizer.setup(model1)
optimizer.add_hook(chainer.optimizer_hooks.WeightDecay(5e-4))
model2 = L.Classifier(SLPolicy.SLPolicyNet(), lossfun=softmax_cross_entropy) # 対戦相手のモデル
serializers.load_npz("./models/rl/model0.npz", model2)
# REINFORCEアルゴリズムのエージェント
agent = chainerrl.agents.REINFORCE(model1, optimizer, batchsize=N,　backward_separately=False)

for set in range(args.set):
    env = rl_env.GameEnv(model1, model2)
    for i in range(2*N):
        obs = env.reset() # 盤面を表す行列
        reward = 0
        done = False
        while not done:
            action = agent.act_and_train(obs, reward)
            obs, reward, done, _ = env.step(action)

        agent.stop_episode_and_train(obs, judge, done=True)

'''ネットワークを定義するクラス'''

import chainer
import chainer.functions as F
import chainer.links as L

class Block(chainer.Chain):
    def __init__(self, out_channels, ksize, pad=1):
        super(Block, self).__init__()
        with self.init_scope():
            self.conv = L.Convolution2D(None, out_channels, ksize, pad=pad)

    def __call__(self, x):
        h = self.conv(x)
        return F.relu(h)

class SLPolicyNet(chainer.Chain):
    def __init__(self):
        ksize = 3
        super(SLPolicyNet, self).__init__()
        with self.init_scope():
            self.block1 = Block(64, ksize)
            self.block2 = Block(128, ksize)
            self.block3 = Block(128, ksize)
            self.block4 = Block(128, ksize)
            self.block5 = Block(128, ksize)
            self.block6 = Block(128, ksize)
            self.block7 = Block(128, ksize)
            self.block8 = Block(128, ksize)
            self.conv9 = L.Convolution2D(128, 1, 1, nobias=True)
            self.bias10 = L.Bias(shape=(64))

    def __call__(self, x): # ここでエラー
        h = self.block1(x)
        h = self.block2(h)
        h = self.block3(h)
        h = self.block4(h)
        h = self.block5(h)
        h = self.block6(h)
        h = self.block7(h)
        h = self.block8(h)
        h = self.conv9(h)
        h = F.reshape(h, (-1,64))
        h = self.bias10(h)
        return h

試したこと

ChainerRLのreinforce.pyをいじることもいろいろ試してみましたが、うまく動きません。
また、後でDistributionクラスが必要になって困ります。

補足情報（FW/ツールのバージョンなど）

Chainer 4.1.0
ChainerRL 0.3.0
Python 3.6.1

Answer 1

ChainerRLのact_and_trainを書き換えたらうまくいきました！

from chainerrl import distribution
def act_and_train(self, obs, reward):
    batch_obs = self.batch_states([obs], self.xp, self.phi)
    action_distrib = distribution.SoftmaxDistribution(self.model.predictor(obs))
# 以下略