Ppo Pendulum V1

🚀 PPOエージェントによるPendulum-v1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、Pendulum-v1をプレイするように学習された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トレーニングフレームワークで、ハイパーパラメータ最適化と事前学習済みエージェントが含まれています。

🚀 クイックスタート

📦 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 Pendulum-v1 -orga sb3 -f logs/
python enjoy.py --algo ppo --env Pendulum-v1  -f logs/

高度な使用法

# モデルのトレーニング
from stable_baselines3 import PPO
from stable_baselines3.common.env_util import make_vec_env

# 環境の作成
env_id = "Pendulum-v1"
env = make_vec_env(env_id, n_envs=1)

# エージェントのインスタンス化
model = PPO(
    "MlpPolicy",
    env,
    gamma=0.98,
    # Using https://proceedings.mlr.press/v164/raffin22a.html
    use_sde=True,
    sde_sample_freq=4,
    learning_rate=1e-3,
    verbose=1,
)

# エージェントのトレーニング
model.learn(total_timesteps=int(1e5))

トレーニング

python train.py --algo ppo --env Pendulum-v1 -f logs/
# モデルをアップロードしてビデオを生成（可能な場合）
python -m rl_zoo3.push_to_hub --algo ppo --env Pendulum-v1 -f logs/ -orga sb3

🔧 技術詳細

ハイパーパラメータ

OrderedDict([('clip_range', 0.2),
             ('ent_coef', 0.0),
             ('gae_lambda', 0.95),
             ('gamma', 0.9),
             ('learning_rate', 0.001),
             ('n_envs', 4),
             ('n_epochs', 10),
             ('n_steps', 1024),
             ('n_timesteps', 100000.0),
             ('policy', 'MlpPolicy'),
             ('sde_sample_freq', 4),
             ('use_sde', True),
             ('normalize', False)])

モデル指標