openai_lab

Openai Lab

---

Примечание: Пожалуйста, используйте следующую версию, SLM-Lab.

---

Openai Lab документация

---

Структура экспериментов для обучения подкрепления с использованием спортзала Openai, Tensorflow и Keras.

Lab Openai создана для обучения подкреплению (RL), как наука - теоретизируйте, экспериментируйте . Он обеспечивает легкий интерфейс для спортзала OpenAI и кера, с автоматизированной структурой экспериментов и оценки.

Функции

1. Унифицированная среда RL и интерфейс агента с использованием Gym Openai, Tensorflow, Keras, чтобы вы могли сосредоточиться на разработке алгоритмов.
2. Основные реализации алгоритмов RL с повторно используемыми модульными компонентами для разработки алгоритмов глубоких RL.
3. Структура экспериментов для проведения сотен испытаний оптимизации гиперпараметрических, с журналами, графиками и аналитикой для тестирования новых алгоритмов RL. Экспериментальные настройки хранятся в стандартизированных JSons для воспроизводимости и сравнения.
4. Автоматизированная аналитика экспериментов по оценке агентов и средств RL и для выбора лучшего решения.
5. Матрица фитнеса , таблица лучших результатов алгоритмов RL против среды; Полезно для исследований.

В Openai Lab мы могли бы сосредоточиться на изучении основных элементов обучения подкрепления, таких как алгоритм, политика, память и настройка параметров. Это позволяет нам эффективно создавать агенты, используя существующие компоненты с реализациями из исследовательских идей. Затем мы могли бы систематически проверить гипотезы исследования, проведя эксперименты.

Узнайте больше о проблемах исследования, которые лаборатория обращается к мотивам. В конечном счете, лаборатория является обобщенной основой для обучения подкреплению, агностиком спортзала Openai и керас. Например, реализации на основе Pytorch находятся на дорожной карте.

Реализованные алгоритмы

Список основных алгоритмов RL реализован/запланирован.

Чтобы увидеть их результаты против спортивного зала Openai, перейдите в матрицу фитнеса .

алгоритм	выполнение	Оценка оценки (ожидая)
Дкн	Дкн	-
Двойной DQN	Doubledqn	-
Дуэль DQN	-	-
Сарса	Глубярса	-
Вне политики сарса	Offpolicysarsa	-
За (приоритетный опыт повторения)	Приоритет Experiencereplay	-
CEM (метод поперечной энтропии)	следующий	-
Подкреплять	-	-
DPG (детерминированный градиент политики).	Актерцир	-
DDPG (Deep-DPG) актер-критик с целевыми сетями	DDPG	-
A3C (Asynchronous Advantage Actor-Critic)	-	-
Дайна	следующий	-
Trpo	-	-
Q*(Lambda)	-	-
Посмотреть (Lambda)	-	-
Нейронный эпизодический контроль (NEC)	-	-
EWC (консолидация упругого веса)	-	-

Запустить лабораторию

Далее см. Установку и перейдите к QuickStart.

Временный разбор лаборатории Openai, Решение Cartpole-V0.