atari Télécharger - atari Code source télécharger

atari

Code Source AI

1.0.0

Télécharger

Atari

Research Playground construit sur l'Atari Gym d'OpenAI, préparé pour la mise en œuvre de divers algorithmes d'apprentissage par renforcement.

Il peut émuler l'un des jeux suivants :

['Astérix', 'Astéroïdes', 'MsPacman', 'Kaboom', 'BankHeist', 'Kangaroo', 'Skiing', 'FishingDerby', 'Krull', 'Berzerk', 'Toutankhamon', 'Zaxxon', ' Venture', 'Riverraid', 'Centipede', "Adventure", "BeamRider", "CrazyClimber", "TimePilot", "Carnival", "Tennis", "Seaquest", "Bowling", "SpaceInvaders", "Freeway", "YarsRevenge", "RoadRunner", "JourneyEscape". ', 'WizardOfWor', 'Gopher', "Breakout", "StarGunner", "Atlantis", "DoubleDunk", "Hero", "BattleZone", "Solaris", "UpNDown", "Frostbite", "KungFuMaster", "Pooyan", "Pitfall", "MontezumaRevenge". ', 'PrivateEye', 'AirRaid', "Amidar", "Robotank", "DemonAttack", "Defender", "NameThisGame", "Phoenix", "Gravitar", "ElevatorAction", "Pong", "VideoPinball", "IceHockey", "Boxing", "Assault" ', 'Alien', 'Qbert', 'Enduro', "ChopperCommand", "Jamesbond"]

Consultez l'article Medium correspondant : Atari - Apprentissage par renforcement en profondeur ? (Partie 1 : DDQN)

But

Le but ultime de ce projet est de mettre en œuvre et de comparer diverses approches RL avec les jeux Atari comme dénominateur commun.

Usage

Clonez le dépôt.
Accédez au dossier racine du projet.
Installez les packages requis pip install -r requirements.txt .
Lancez Atari. Je recommande de commencer par la commande help pour voir tous les modes disponibles python atari.py --help .

DDQN

Hyperparamètres

 * GAMMA = 0.99
* MEMORY_SIZE = 900000
* BATCH_SIZE = 32
* TRAINING_FREQUENCY = 4
* TARGET_NETWORK_UPDATE_FREQUENCY = 40000
* MODEL_PERSISTENCE_UPDATE_FREQUENCY = 10000
* REPLAY_START_SIZE = 50000
* EXPLORATION_MAX = 1.0
* EXPLORATION_MIN = 0.1
* EXPLORATION_TEST = 0.02
* EXPLORATION_STEPS = 850000

Architecture du modèle

Réseau neuronal à convolution profonde par DeepMind

 * Conv2D (None, 32, 20, 20)
* Conv2D (None, 64, 9, 9)
* Conv2D (None, 64, 7, 7)
* Flatten (None, 3136)
* Dense (None, 512)
* Dense (None, 4)

Trainable params: 1,686,180