DI sheep

DI-mouton : Apprentissage par renforcement profond + Le mouton fait un mouton

Lorsque la perle de la technologie de l'IA, l'apprentissage par renforcement profond, rencontre un jeu avec un soi-disant « taux de liquidation de seulement 0,01 % », quel genre d'idées étranges en ressortiront ?

PS Si vous passez par là, n'oubliez pas de cliquer sur une étoile pour continuer à mettre à jour.

PSS Vous voulez en savoir plus sur l’apprentissage par renforcement profond ? Venez chez DI-engine pour former votre propre agent.

Nouvelles

• [bilibili] Vous ne pouvez pas rejoindre le troupeau ? Alors venez rejoindre le groupe félin ! La version d'apprentissage par renforcement profond du mouton est arrivée.
• [WeChat] Est-ce que tout est difficile au début ? Ce n'est pas difficile pour Meow DI de jouer à « le mouton fait le mouton »

Guide de l'utilisateur

Analyse des principes de l'algorithme

Commencez rapidement

• Si vous souhaitez l'essayer en ligne --> Page Web en ligne (en cours d'amélioration)
• Si vous souhaitez déployer/tester localement
  • Serveur (Python)

     # 预先安装好 Python3
    cd service
    pip install -r requirement.txt
    FLASK_APP=app.py flask run  # 玩家试玩
    # FLASK_APP=agent_app.py flask run  # 玩家 + AI 试玩

  • Client (réagir)

     # 预先安装好 node.js 和 react
    cd ui
    npm run build
    npm run preview

    Ouvrez ensuite le lien correspondant sur la page web
• Si vous souhaitez effectuer une formation complète d'apprentissage par renforcement profond

   # 预先安装好 Python3
  cd service
  pip install -r requirement-train.txt
  python3 -u sheep_ppo_main.py

• Si vous souhaitez utiliser la salle de sport définie, créez un environnement mouton --> cliquez sur étoile et utilisez directement CTRL C+V pour prendre service/sheep_env.py et modifiez-le autant que vous le souhaitez.
• Si vous souhaitez obtenir le modèle d'apprentissage par renforcement profond formé --> Visitez le lien de téléchargement du site officiel d'OpenDILab (actuellement, deux modèles d'essai sont fournis, mais l'agent a encore beaucoup à faire)
• Si vous souhaitez en savoir plus sur l'apprentissage par renforcement profond --> Bienvenue pour vous référer au moteur DI et aux documents associés
• Si vous souhaitez connaître le futur plan de mise à jour --> veuillez vous référer au plan de mise à jour
• Si vous avez d'autres questions ou idées -> Bienvenue pour discuter dans la zone github ISSUE, ou contribuer aux demandes Pull

Structure du projet

 .
├── LICENSE
├── ui                       --> react 网页前端
└── service                  --> Python 核心模块（算法和服务端）
    ├── app.py                  --> flask 服务 app (仅人类操作)
    ├── agent_app.py                  --> flask 服务 app（人类+AI操作）
    ├── requirement.txt         --> Python 依赖库列表
    ├── sheep_env.py            --> gym 格式环境
    ├── sheep_model.py          --> 基于 PyTorch 的 Actor-Critic 神经网络模型
    ├── sheep_ppo_main.py       --> 基于 DI-engine 的深度强化学习训练主函数
    ├── test_sheep_env.py       --> gym 格式环境的单元测试
    └── test_sheep_model.py     --> 神经网络模型的单元测试

Plan de mise à jour

algorithme

• Ajustement des paramètres de formation par apprentissage par renforcement et mise au point de l'algorithme
• Fournir des poids de modèle pour les tests locaux
• Documentation détaillée sur la conception des réseaux neuronaux et des algorithmes d'apprentissage par renforcement
• RL et algorithmes de planification basés sur des modèles
• Compression du réseau neuronal (pour le déploiement)

environnement

• Ajoutez divers accessoires de jeux originaux (tels que 3tiles)
• Comment définir le nombre de couches de cartes
• Combiné avec JAX pour optimiser la vitesse d'exécution de l'environnement
• Plus de conception de gameplay combinée à l'IA

application

• Plus de thèmes personnalisés et de musique de fond
• Déploiement côté Web en ligne
• Téléchargement d'un exemple de poids de réseau neuronal
• Plus d'analyse comportementale pendant la formation en IA
• Application mobile (les développeurs Android/IOS sont invités à prendre en charge)

Remerciements

• La référence principale pour la partie front-end de réaction est https://github.com/StreakingMan/solvable-sheep-game Veuillez prendre en charge ce dépôt.

Licence

DI-sheep est publié sous la licence Apache 2.0.