openai_lab

Openai Lab

---

HINWEIS: Bitte verwenden Sie die nächste Version SLM-LAB.

---

OpenAI Lab Dokumentation

---

Ein Experimentierrahmen für Verstärkungslernen mit OpenAI -Fitnessstudio, Tensorflow und Keras.

OpenAI Lab wurde für Verstärkungslernen (RL) wie Science - Theorize, Experiment erstellt. Es bietet eine einfache Schnittstelle zum OpenAI -Fitnessstudio und Keras mit einem automatisierten Experimentier- und Bewertungsrahmen.

Merkmale

1. Unified RL -Umgebung und Agentenschnittstelle mit OpenAI -Fitnessstudio, Tensorflow, Keras, sodass Sie sich auf die Entwicklung der Algorithmen konzentrieren können.
2. Kern -RL -Algorithmen -Implementierungen mit wiederverwendbaren modularen Komponenten zur Entwicklung von tiefen RL -Algorithmen.
3. Ein Experimentierrahmen für Hunderte von Versuchen mit Hyperparameteroptimierungen mit Protokollen, Diagrammen und Analysen zum Testen neuer RL -Algorithmen. Experimentelle Einstellungen werden in standardisierten Jsons für Reproduzierbarkeit und Vergleiche gespeichert.
4. Automatische Analysen der Experimente zur Bewertung der RL -Agenten und -umgebungen und zur Auswahl der besten Lösung.
5. Die Fitnessmatrix , eine Tabelle der besten Ergebnisse von RL -Algorithmen gegenüber den Umgebungen; nützlich für die Forschung.

Mit OpenAI Lab konnten wir uns auf die Erforschung der wesentlichen Elemente des Verstärkungslernens wie dem Algorithmus, der Richtlinie, des Gedächtnisses und des Parameterabstimmungen konzentrieren. Es ermöglicht es uns, Agenten effizient mit vorhandenen Komponenten mit den Implementierungen aus Forschungsideen zu erstellen. Wir konnten dann die Forschungshypothesen systematisch testen, indem wir Experimente ausführen.

Lesen Sie mehr über die Forschungsprobleme, die das Labor mit Motivationen behandelt. Letztendlich ist das Labor ein verallgemeinerter Rahmen für Verstärkungslernen, Agnostiker von Openai Gym und Keras. ZB Pytorch-basierte Implementierungen sind auf der Roadmap.

Implementierte Algorithmen

Eine Liste der implementierten/geplanten RL -RL -Algorithmen.

Um ihre Punktzahlen gegen Openai -Fitnessumgebungen zu sehen, gehen Sie zur Fitnessmatrix .

Algorithmus	Durchführung	Eval -Score (ausstehend)
DQN	DQN	- -
Doppel -DQN	Doubledqn	- -
Duelling DQN	- -	- -
Sarsa	Deepsarsa	- -
Off-Policy Sarsa	Offpolicysarsa	- -
Per (priorisierte Erfahrung Wiederholung)	PrioritedExperiencereplay	- -
CEM (Querentropy -Methode)	nächste	- -
VERSTÄRKEN	- -	- -
DPG (Deterministische politische Gradient) außerhalb der Politik-Schauspieler-Kritik	Schauspieler	- -
DDPG (Deep-DPG) -Kritik mit Zielnetzwerken	DDPG	- -
A3C (Asynchronous Advantage Actor-Critic)	- -	- -
Dyna	nächste	- -
Trpo	- -	- -
Q*(Lambda)	- -	- -
Nacherkennung (Lambda)	- -	- -
Neuronale episodische Kontrolle (NEC)	- -	- -
EWC (GLASTISCHE GEWICHTSCHAFTSKONsolidierung)	- -	- -

Führen Sie das Labor aus

Weitere Informationen finden Sie in der Installation und springen Sie zu QuickStart.

Zeitschild des OpenAI-Labors, Lösung von Cartpole-V0.