Ppo LunarLander V2

🚀 PPOエージェントによるLunarLander - v2のプレイ

このモデルは、[stable - baselines3ライブラリ](https://github.com/DLR - RM/stable - baselines3)を使用してLunarLander - v2をプレイするように学習されたPPOエージェントです。

🚀 クイックスタート

モデルの評価と実行

このセクションでは、学習済みのPPOモデルをダウンロードし、評価し、実際に実行する方法を説明します。

from huggingface_sb3 import load_from_hub
from stable_baselines3 import PPO
from stable_baselines3.common.env_util import make_vec_env
from stable_baselines3.common.evaluation import evaluate_policy

# チェックポイントをダウンロード
checkpoint = load_from_hub("araffin/ppo-LunarLander-v2", "ppo-LunarLander-v2.zip")
# モデルをロード
model = PPO.load(checkpoint)

env = make_vec_env("LunarLander-v2", n_envs=1)

# 評価
print("Evaluating model")
mean_reward, std_reward = evaluate_policy(
    model,
    env,
    n_eval_episodes=20,
    deterministic=True,
)
print(f"Mean reward = {mean_reward:.2f} +/- {std_reward:.2f}")

# 新しいエピソードを開始
obs = env.reset()

try:
    while True:
        action, _states = model.predict(obs, deterministic=True)
        obs, rewards, dones, info = env.step(action)
        env.render()
except KeyboardInterrupt:
    pass

モデルの学習

このセクションでは、PPOモデルを学習するためのコードを示します。

from stable_baselines3 import PPO
from stable_baselines3.common.env_util import make_vec_env
from stable_baselines3.common.callbacks import EvalCallback

# 環境を作成
env_id = "LunarLander-v2"
n_envs = 16
env = make_vec_env(env_id, n_envs=n_envs)

# 評価用の環境を作成
eval_envs = make_vec_env(env_id, n_envs=5)

# 評価間隔を環境数に応じて調整
eval_freq = int(1e5)
eval_freq = max(eval_freq // n_envs, 1)

# 最良のモデルを保存し、エージェントのパフォーマンスを監視するための評価コールバックを作成
eval_callback = EvalCallback(
    eval_envs,
    best_model_save_path="./logs/",
    eval_freq=eval_freq,
    n_eval_episodes=10,
)

# エージェントをインスタンス化
# ハイパーパラメータはhttps://github.com/DLR-RM/rl-baselines3-zooから取得
model = PPO(
    "MlpPolicy",
    env,
    n_steps=1024,
    batch_size=64,
    gae_lambda=0.98,
    gamma=0.999,
    n_epochs=4,
    ent_coef=0.01,
    verbose=1,
)

# エージェントを学習する（ctrl + cで中断できます）
try:
    model.learn(total_timesteps=int(5e6), callback=eval_callback)
except KeyboardInterrupt:
    pass

# 最良のモデルをロード
model = PPO.load("logs/best_model.zip")

✨ 主な機能

• PPOアルゴリズム：Proximal Policy Optimization（PPO）アルゴリズムを使用して、LunarLander - v2環境での学習を行います。
• 環境の作成：stable - baselines3のmake_vec_env関数を使用して、複数の環境を並列に作成することができます。
• 評価コールバック：EvalCallbackを使用して、学習中にエージェントのパフォーマンスを監視し、最良のモデルを保存することができます。

📚 ドキュメント

モデルの指標