adeptRL
1.0.0
Adept هو إطار للتعلم المعزز مصمم لتسريع البحث عن طريق استخلاص التحديات الهندسية المرتبطة بالتعلم المعزز العميق. ماهر يوفر:
هذا الرمز يمكن الوصول إليه مبكرًا، توقع وجود حواف خشنة. واجهات قابلة للتغيير. يسعدنا قبول التعليقات والمساهمات.
git clone https://github.com/heronsystems/adeptRL
cd adeptRL
pip install -e .[all]
من عامل الميناء:
تدريب سجلات الوكيل انتقل إلى /tmp/adept_logs/
بشكل افتراضي. يحتوي دليل السجل على ملف Tensorboard والنماذج المحفوظة وبيانات التعريف الأخرى.
# Local Mode (A2C)
# We recommend 4GB+ GPU memory, 8GB+ RAM, 4+ Cores
python -m adept.app local --env BeamRiderNoFrameskip-v4
# Distributed Mode (A2C, requires NCCL)
# We recommend 2+ GPUs, 8GB+ GPU memory, 32GB+ RAM, 4+ Cores
python -m adept.app distrib --env BeamRiderNoFrameskip-v4
# IMPALA (requires ray, resource intensive)
# We recommend 2+ GPUs, 8GB+ GPU memory, 32GB+ RAM, 4+ Cores
python -m adept.app actorlearner --env BeamRiderNoFrameskip-v4
# To see a full list of options:
python -m adept.app -h
python -m adept.app help < command >
استخدم الوكيل أو البيئة أو الشبكة أو الوحدة الفرعية الخاصة بك
"""
my_script.py
Train an agent on a single GPU.
"""
from adept . scripts . local import parse_args , main
from adept . network import NetworkModule , SubModule1D
from adept . agent import AgentModule
from adept . env import EnvModule
class MyAgent ( AgentModule ):
pass # Implement
class MyEnv ( EnvModule ):
pass # Implement
class MyNet ( NetworkModule ):
pass # Implement
class MySubModule1D ( SubModule1D ):
pass # Implement
if __name__ == '__main__' :
import adept
adept . register_agent ( MyAgent )
adept . register_env ( MyEnv )
adept . register_network ( MyNet )
adept . register_submodule ( MySubModule1D )
main ( parse_args ())
python my_script.py --agent MyAgent --env env-id-1 --custom-network MyNet
محلي (عقدة واحدة، وحدة معالجة رسومات مفردة)
الموزعة (متعددة العقد، متعددة GPU)
معماريات المتعلم ذات الأهمية المرجحة للممثل، IMPALA (عقدة واحدة، وحدة معالجة رسومات متعددة)
python -m adept.app local --logdir ~/local64_benchmark --eval -y --nb-step 50e6 --env <env-id>
نحن نستعير أجزاء من صالة الألعاب الرياضية وكود الخطوط الأساسية الخاص بـ OpenAI. نشير إلى أين يتم ذلك.