adeptRL
1.0.0
mahir adalah kerangka pembelajaran penguatan yang dirancang untuk mempercepat penelitian dengan mengabstraksikan tantangan teknik yang terkait dengan pembelajaran penguatan mendalam. mahir menyediakan:
Kode ini adalah akses awal, kemungkinan ada sisi kasarnya. Antarmuka dapat berubah sewaktu-waktu. Kami dengan senang hati menerima masukan dan kontribusi.
git clone https://github.com/heronsystems/adeptRL
cd adeptRL
pip install -e .[all]Dari buruh pelabuhan:
Latih Agen Log buka /tmp/adept_logs/ secara default. Direktori log berisi file tensorboard, model tersimpan, dan metadata lainnya.
# 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 >Gunakan Agen, Lingkungan, Jaringan, atau SubModul Anda sendiri
"""
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 MyNetLokal (Node tunggal, GPU tunggal)
Terdistribusi (Multi-node, Multi-GPU)
Pentingnya Arsitektur Pelajar Aktor Tertimbang, IMPALA (Single Node, Multi-GPU)
python -m adept.app local --logdir ~/local64_benchmark --eval -y --nb-step 50e6 --env <env-id> Kami meminjam potongan kode gym dan baseline OpenAI. Kami menunjukkan di mana hal ini dilakukan.
