Ppo MountainCar V0

🚀 PPO 智能体在 MountainCar-v0 环境中的应用

本项目展示了一个经过训练的 PPO 智能体，它使用 stable-baselines3 库 和 RL Zoo 在 MountainCar-v0 环境中进行游戏。RL Zoo 是一个用于 Stable Baselines3 强化学习智能体的训练框架，包含超参数优化和预训练智能体。

🚀 快速开始

模型使用（借助 SB3 RL Zoo）

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

# 下载模型并保存到 logs/ 文件夹
python -m rl_zoo3.load_from_hub --algo ppo --env MountainCar-v0 -orga sb3 -f logs/
python enjoy.py --algo ppo --env MountainCar-v0  -f logs/

模型训练（借助 RL Zoo）

python train.py --algo ppo --env MountainCar-v0 -f logs/
# 上传模型并生成视频（如果支持）
python -m rl_zoo3.push_to_hub --algo ppo --env MountainCar-v0 -f logs/ -orga sb3

✨ 主要特性

本项目使用的 PPO 智能体在 MountainCar-v0 环境中表现出了一定的性能，以下是模型的相关指标：

📦 安装指南

本项目依赖于 stable-baselines3 库和 RL Zoo，你可以通过以下链接获取相关代码：

• 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

💻 使用示例

基础用法

# 下载模型并保存到 logs/ 文件夹
python -m rl_zoo3.load_from_hub --algo ppo --env MountainCar-v0 -orga sb3 -f logs/
python enjoy.py --algo ppo --env MountainCar-v0  -f logs/

高级用法

# 训练模型
python train.py --algo ppo --env MountainCar-v0 -f logs/
# 上传模型并生成视频（如果支持）
python -m rl_zoo3.push_to_hub --algo ppo --env MountainCar-v0 -f logs/ -orga sb3

🔧 技术细节

超参数设置

OrderedDict([('ent_coef', 0.0),
             ('gae_lambda', 0.98),
             ('gamma', 0.99),
             ('n_envs', 16),
             ('n_epochs', 4),
             ('n_steps', 16),
             ('n_timesteps', 1000000.0),
             ('normalize', True),
             ('policy', 'MlpPolicy'),
             ('normalize_kwargs', {'norm_obs': True, 'norm_reward': False})])

这些超参数的设置对模型的训练和性能有着重要影响，例如 ent_coef 控制着策略的熵，gamma 是折扣因子等。