adeptRL
1.0.0
adepte est un cadre d'apprentissage par renforcement conçu pour accélérer la recherche en éliminant les défis d'ingénierie associés à l'apprentissage par renforcement profond. adepte fournit :
Ce code est en accès anticipé, attendez-vous à des aspérités. Interfaces sujettes à changement. Nous sommes heureux d’accepter les commentaires et les contributions.
git clone https://github.com/heronsystems/adeptRL
cd adeptRL
pip install -e .[all]Depuis le menu fixe :
Former un agent Les journaux vont dans /tmp/adept_logs/ par défaut. Le répertoire des journaux contient le fichier Tensorboard, les modèles enregistrés et d'autres métadonnées.
# 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 >Utilisez votre propre agent, environnement, réseau ou sous-module
"""
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 MyNetLocal (un seul nœud, un seul GPU)
Distribué (Multi-nœuds, Multi-GPU)
Architectures d'apprenants acteurs pondérés par importance, IMPALA (nœud unique, multi-GPU)
python -m adept.app local --logdir ~/local64_benchmark --eval -y --nb-step 50e6 --env <env-id> Nous empruntons des morceaux du code gym et des lignes de base d'OpenAI. Nous indiquons où cela se fait.
