open_spiel

OpenSpiel: uma estrutura para aprendizagem por reforço em jogos

OpenSpiel é uma coleção de ambientes e algoritmos para pesquisa em aprendizagem por reforço geral e busca/planejamento em jogos. OpenSpiel suporta jogos de soma zero para n jogadores (único e multiagente), cooperativos e de soma geral, one-shot e sequenciais, estritamente turnos e movimentos simultâneos, jogos de informação perfeitos e imperfeitos, bem como ambientes multiagentes tradicionais tais como mundos de grade (parcialmente e totalmente observáveis) e dilemas sociais. OpenSpiel também inclui ferramentas para analisar a dinâmica de aprendizagem e outras métricas de avaliação comuns. Os jogos são representados como jogos procedimentais de formato extensivo, com algumas extensões naturais. A API principal e os jogos são implementados em C++ e expostos em Python. Algoritmos e ferramentas são escritos em C++ e Python.

Para experimentar o OpenSpiel no Google Colaboratory, consulte o subdiretório open_spiel/colabs ou comece aqui.

Índice

Escolha entre as seguintes opções:

• Instalando o OpenSpiel
• Introdução ao OpenSpiel
• Visão geral da API e primeiro exemplo
• Referência de API
• Visão geral dos jogos implementados
• Visão geral dos algoritmos implementados
• Guia do desenvolvedor
• Usando OpenSpiel como uma biblioteca C++
• Diretrizes e Contribuições
• Autores

Para uma introdução mais longa aos principais conceitos, formalismos e terminologia, incluindo uma visão geral dos algoritmos e alguns resultados, consulte OpenSpiel: A Framework for Reinforcement Learning in Games.

Para uma visão geral do OpenSpiel e exemplos de uso da API principal, confira nossos tutoriais:

• Motivação, API principal, breve introdução à dinâmica do Replictor e jogos de informação imperfeita por Marc Lanctot. (slides) (colab)
• Motivação, API principal, implementação de CFR e REINFORCE no pôquer Kuhn, pôquer Leduc e Goofspiel por Edward Lockhart. (slides) (colab)

Se você usa OpenSpiel em sua pesquisa, cite o artigo usando o seguinte BibTeX:

 @article { LanctotEtAl2019OpenSpiel ,
  title     = { {OpenSpiel}: A Framework for Reinforcement Learning in Games } ,
  author    = { Marc Lanctot and Edward Lockhart and Jean-Baptiste Lespiau and
               Vinicius Zambaldi and Satyaki Upadhyay and Julien P'{e}rolat and
               Sriram Srinivasan and Finbarr Timbers and Karl Tuyls and
               Shayegan Omidshafiei and Daniel Hennes and Dustin Morrill and
               Paul Muller and Timo Ewalds and Ryan Faulkner and J'{a}nos Kram'{a}r
               and Bart De Vylder and Brennan Saeta and James Bradbury and David Ding
               and Sebastian Borgeaud and Matthew Lai and Julian Schrittwieser and
               Thomas Anthony and Edward Hughes and Ivo Danihelka and Jonah Ryan-Davis } ,
  year      = { 2019 } ,
  eprint    = { 1908.09453 } ,
  archivePrefix = { arXiv } ,
  primaryClass = { cs.LG } ,
  journal   = { CoRR } ,
  volume    = { abs/1908.09453 } ,
  url       = { http://arxiv.org/abs/1908.09453 } ,
}

Versionamento

Usamos versionamento semântico.