Ppo MountainCarContinuous V0

🚀 PPOエージェントによるMountainCarContinuous-v0のプレイ

このモデルは、stable-baselines3ライブラリ と RL Zoo を使用して、MountainCarContinuous-v0 をプレイするように訓練された PPO エージェントです。

RL Zooは、Stable Baselines3の強化学習エージェントの訓練フレームワークで、ハイパーパラメータの最適化と事前訓練済みのエージェントが含まれています。

📦 インストール

RL Zoo: https://github.com/DLR-RM/rl-baselines3-zoo
SB3: https://github.com/DLR-RM/stable-baselines3
SB3 Contrib: https://github.com/Stable-Baselines-Team/stable-baselines3-contrib

💻 使用例

基本的な使用法

# モデルをダウンロードしてlogs/フォルダに保存
python -m rl_zoo3.load_from_hub --algo ppo --env MountainCarContinuous-v0 -orga sb3 -f logs/
python enjoy.py --algo ppo --env MountainCarContinuous-v0  -f logs/

高度な使用法

python train.py --algo ppo --env MountainCarContinuous-v0 -f logs/
# モデルをアップロードし、可能な場合はビデオを生成
python -m rl_zoo3.push_to_hub --algo ppo --env MountainCarContinuous-v0 -f logs/ -orga sb3

🔧 技術詳細

ハイパーパラメータ

OrderedDict([('batch_size', 256),
             ('clip_range', 0.1),
             ('ent_coef', 0.00429),
             ('gae_lambda', 0.9),
             ('gamma', 0.9999),
             ('learning_rate', 7.77e-05),
             ('max_grad_norm', 5),
             ('n_envs', 1),
             ('n_epochs', 10),
             ('n_steps', 8),
             ('n_timesteps', 20000.0),
             ('normalize', True),
             ('policy', 'MlpPolicy'),
             ('policy_kwargs', 'dict(log_std_init=-3.29, ortho_init=False)'),
             ('use_sde', True),
             ('vf_coef', 0.19),
             ('normalize_kwargs', {'norm_obs': True, 'norm_reward': False})])