🚀 PPO 智能体在 Pendulum-v1 环境中的应用
本项目是一个经过训练的 PPO 智能体,它在 Pendulum-v1 环境中进行学习和决策。该智能体借助 stable-baselines3 库 和 RL Zoo 实现,其中 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
使用已训练模型
你可以按照以下步骤使用已训练的模型:
# 下载模型并保存到 logs/ 文件夹
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/
模型训练
如果你想重新训练模型,可以使用以下命令:
python train.py --algo ppo --env Pendulum-v1 -f logs/
# 上传模型并生成视频(如果可能)
python -m rl_zoo3.push_to_hub --algo ppo --env Pendulum-v1 -f logs/ -orga sb3
💻 使用示例
基础用法
from stable_baselines3 import PPO
from stable_baselines3.common.env_util import make_vec_env
env_id = "Pendulum-v1"
env = make_vec_env(env_id, n_envs=1)
model = PPO(
"MlpPolicy",
env,
gamma=0.98,
use_sde=True,
sde_sample_freq=4,
learning_rate=1e-3,
verbose=1,
)
model.learn(total_timesteps=int(1e5))
🔧 技术细节
超参数设置
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)])
📚 详细文档
相关链接
- 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
模型指标
属性 |
详情 |
模型类型 |
PPO |
训练环境 |
Pendulum-v1 |
平均奖励 |
-230.42 +/- 142.54 |