pytorch soft actor critic

描述

---

通过随机参与者使用Soft Contor-Critic的SAC的软批评算法和应用的重新实现，以及SAC的确定性变体：使用随机参与者的非政策最大熵深度增强。

添加了另一个用于软批评者的分支：使用随机演员 - > sac_v，非政策最大熵深钢筋学习。

要求

---

• Mujoco-py
• Pytorch

默认论点和用法

---

用法

 usage: main.py [-h] [--env-name ENV_NAME] [--policy POLICY] [--eval EVAL]
               [--gamma G] [--tau G] [--lr G] [--alpha G]
               [--automatic_entropy_tuning G] [--seed N] [--batch_size N]
               [--num_steps N] [--hidden_size N] [--updates_per_step N]
               [--start_steps N] [--target_update_interval N]
               [--replay_size N] [--cuda]

（注意：如果--automatic_entropy_tuning为true，则无需设置温度（ --alpha ）。）

对于囊

 python main.py --env-name Humanoid-v2 --alpha 0.05

用于SAC（硬更新）

 python main.py --env-name Humanoid-v2 --alpha 0.05 --tau 1 --target_update_interval 1000

对于SAC（确定性，硬更新）

 python main.py --env-name Humanoid-v2 --policy Deterministic --tau 1 --target_update_interval 1000

争论

---

 PyTorch Soft Actor-Critic Args

optional arguments:
  -h, --help            show this help message and exit
  --env-name ENV_NAME   Mujoco Gym environment (default: HalfCheetah-v2)
  --policy POLICY       Policy Type: Gaussian | Deterministic (default:
                        Gaussian)
  --eval EVAL           Evaluates a policy a policy every 10 episode (default:
                        True)
  --gamma G             discount factor for reward (default: 0.99)
  --tau G               target smoothing coefficient(τ) (default: 5e-3)
  --lr G                learning rate (default: 3e-4)
  --alpha G             Temperature parameter α determines the relative
                        importance of the entropy term against the reward
                        (default: 0.2)
  --automatic_entropy_tuning G
                        Automaically adjust α (default: False)
  --seed N              random seed (default: 123456)
  --batch_size N        batch size (default: 256)
  --num_steps N         maximum number of steps (default: 1e6)
  --hidden_size N       hidden size (default: 256)
  --updates_per_step N  model updates per simulator step (default: 1)
  --start_steps N       Steps sampling random actions (default: 1e4)
  --target_update_interval N
                        Value target update per no. of updates per step
                        (default: 1)
  --replay_size N       size of replay buffer (default: 1e6)
  --cuda                run on CUDA (default: False)

环境（ --env-name ）	温度（ --alpha ）
Halfcheetah-V2	0.2
Hopper-V2	0.2
walker2d-v2	0.2
ant-v2	0.2
人形v2	0.05