【二】gym初次入门一学就会---代码详细解析简明教程----平衡杆案例
相关文章:
【一】gym环境安装以及安装遇到的错误解决
【二】gym初次入门一学就会-简明教程
【三】gym简单画图
【四】gym搭建自己的环境,全网最详细版本,3分钟你就学会了!
【五】gym搭建自己的环境____详细定义自己myenv.py文件
【六】gym搭建自己环境升级版设计,动态障碍------强化学习
gym简明教程
创建CartPole-v0的环境.
import gym env = gym.make('CartPole-v0') env.reset() for i in range(1000):env.render()env.step(env.action_space.sample()) # take a random action env.close()
代码含义:
- reset(self):重置环境的状态,返回观察。
- step(self, action):推进一个时间步长,返回observation, reward, done, info。
- render(self, mode=‘human’, close=False):重绘环境的一帧。默认模式一般比较友好,如弹出一个窗口。
- close(self):关闭环境,并清除内存。
注释:导入gym库,第2行创建CartPole-v0环境,并在第3行重置环境状态。在for循环中进行1000个时间步长(timestep)的控制,第5行刷新每个时间步长环境画面,第6行对当前环境状态采取一个随机动作(0或1),最后第7行循环结束后关闭仿真环境。
同时本地会渲染出一个窗口进行模拟如下图:
关于Space的说明
在上面的代码中, 我们可以看到我们每一次的action都是随机进行取值的. 事实上, 每一个环境都有action_space和observation_space.(Every environment comes with an
action_space
and anobservation_space
)以CartPole-v0来作为例子.
首先我们来看action_spaces, 这个代表可以采取的action的种类, 在CartPole-v0的例子中, 可以采取的action的种类只有两种. 我们看一下下面的示例.
import gym env = gym.make('CartPole-v0') print(env.action_space) #> Discrete(2) print(env.observation_space) #> Box(4,)
- action_space 是一个离散Discrete类型,从discrete.py源码可知,范围是一个{0,1,…,n-1} 长度为 n 的非负整数集合,在CartPole-v0例子中,动作空间表示为{0,1}。
对于observation_space. 则查看这个space的shape四个边界的上界和下界(能取到的最大值和最小值)
print(env.observation_space.high) print(env.observation_space.low) [4.8000002e+00 3.4028235e+38 4.1887903e-01 3.4028235e+38] [-4.8000002e+00 -3.4028235e+38 -4.1887903e-01 -3.4028235e+38]
observation_space 是一个Box类型,从box.py源码可知,表示一个 n 维的盒子,所以在上一节打印出来的observation是一个长度为 4 的数组。数组中的每个元素都具有上下界。
利用运动空间和观测空间的定义和范围,在许多仿真环境中,Box和Discrete是最常见的空间描述,在智体每次执行动作时,都属于这些空间范围内,代码示例为:
from gym import spaces space = spaces.Discrete(6) # Set with 6 elements {0, 1, 2, ..., 6} x = space.sample() print(space.contains(x)) print(space.n == 6) True True
在CartPole-v0栗子中,运动只能选择左和右,分别用{0,1}表示
对于step的详细说明
上面我们只是每次做随机的action, 为了更好的进行action, 我们需要知道每一步step之后的返回值. 事实上, step会返回四个值. 下面我们一一进行介绍.
观测 Observation (Object):当前step执行后,环境的观测(类型为对象)。例如,从相机获取的像素点,机器人各个关节的角度或棋盘游戏当前的状态等;
- 奖励 Reward (Float): 执行上一步动作(action)后,智能体( agent)获得的奖励(浮点类型),不同的环境中奖励值变化范围也不相同,但是强化学习的目标就是使得总奖励值最大;
完成 Done (Boolen): 表示是否需要将环境重置 env.reset。大多数情况下,当 Done 为True 时,就表明当前回合(episode)或者试验(tial)结束。例如当机器人摔倒或者掉出台面,就应当终止当前回合进行重置(reset);
信息 Info (Dict): 针对调试过程的诊断信息。在标准的智体仿真评估当中不会使用到这个info,
在 Gym 仿真中,每一次回合开始,需要先执行 reset() 函数,返回初始观测信息,然后根据标志位 done 的状态,来决定是否进行下一次回合。所以更恰当的方法是遵守done的标志.
import gym env = gym.make('CartPole-v0') for i_episode in range(20):observation = env.reset()for t in range(100):env.render()print(observation)action = env.action_space.sample()observation, reward, done, info = env.step(action)if done:print("Episode finished after {} timesteps".format(t+1))break env.close()
当done 为true时,控制失败,此阶段episode 结束。可以计算每 episode 的回报就是其坚持的t+1时间,坚持的越久回报越大.在上面算法中,agent 的行为选择是随机的,平均回报为20左右。
*再次说明gym模块中环境的常用函数
gym的初始化
env = gym.make('CartPole-v0') # 定义使用gym库中的某一个环境,'CartPole-v0'可以改为其它环境 env = env.unwrapped # unwrapped是打开限制的意思
gym的各个参数的获取
env.action_space # 查看这个环境中可用的action有多少个,返回Discrete()格式 env.observation_space # 查看这个环境中observation的特征,返回Box()格式 n_actions=env.action_space.n # 查看这个环境中可用的action有多少个,返回int n_features=env.observation_space.shape[0] # 查看这个环境中observation的特征有多少个,返回int
刷新环境
env.reset() # 用于一个done后环境的重启,获取回合的第一个observation env.render() # 用于每一步后刷新环境状态 observation_, reward, done, info = env.step(action) # 获取下一步的环境、得分、检测是否完成。
实例应用
import numpy as np import tensorflow as tf import gymimport tensorflow.compat.v1 as tf tf.disable_v2_behavior()tf.compat.v1.disable_eager_execution() #这句话可有可无np.random.seed(2) tf.set_random_seed(2) # reproducible# Superparameters OUTPUT_GRAPH = False MAX_EPISODE = 3000 DISPLAY_REWARD_THRESHOLD = 200 # renders environment if total episode reward is greater then this threshold MAX_EP_STEPS = 1000 # maximum time step in one episode RENDER = False # rendering wastes time GAMMA = 0.9 # reward discount in TD error LR_A = 0.001 # learning rate for actor LR_C = 0.01 # learning rate for criticenv = gym.make('CartPole-v0') env.seed(1) # reproducible env = env.unwrappedN_F = env.observation_space.shape[0] N_A = env.action_space.nclass Actor(object):def __init__(self, sess, n_features, n_actions, lr=0.001):self.sess = sessself.s = tf.placeholder(tf.float32, [1, n_features], "state")self.a = tf.placeholder(tf.int32, None, "act")self.td_error = tf.placeholder(tf.float32, None, "td_error") # TD_errorwith tf.variable_scope('Actor'):l1 = tf.layers.dense(inputs=self.s,units=20, # number of hidden unitsactivation=tf.nn.relu,kernel_initializer=tf.random_normal_initializer(0., .1), # weightsbias_initializer=tf.constant_initializer(0.1), # biasesname='l1')self.acts_prob = tf.layers.dense(inputs=l1,units=n_actions, # output unitsactivation=tf.nn.softmax, # get action probabilitieskernel_initializer=tf.random_normal_initializer(0., .1), # weightsbias_initializer=tf.constant_initializer(0.1), # biasesname='acts_prob')with tf.variable_scope('exp_v'):log_prob = tf.log(self.acts_prob[0, self.a])self.exp_v = tf.reduce_mean(log_prob * self.td_error) # advantage (TD_error) guided losswith tf.variable_scope('train'):self.train_op = tf.train.AdamOptimizer(lr).minimize(-self.exp_v) # minimize(-exp_v) = maximize(exp_v)def learn(self, s, a, td):s = s[np.newaxis, :]feed_dict = {self.s: s, self.a: a, self.td_error: td}_, exp_v = self.sess.run([self.train_op, self.exp_v], feed_dict)return exp_vdef choose_action(self, s):s = s[np.newaxis, :]probs = self.sess.run(self.acts_prob, {self.s: s}) # get probabilities for all actionsreturn np.random.choice(np.arange(probs.shape[1]), p=probs.ravel()) # return a intclass Critic(object):def __init__(self, sess, n_features, lr=0.01):self.sess = sessself.s = tf.placeholder(tf.float32, [1, n_features], "state")self.v_ = tf.placeholder(tf.float32, [1, 1], "v_next")self.r = tf.placeholder(tf.float32, None, 'r')with tf.variable_scope('Critic'):l1 = tf.layers.dense(inputs=self.s,units=20, # number of hidden unitsactivation=tf.nn.relu, # None# have to be linear to make sure the convergence of actor.# But linear approximator seems hardly learns the correct Q.kernel_initializer=tf.random_normal_initializer(0., .1), # weightsbias_initializer=tf.constant_initializer(0.1), # biasesname='l1')self.v = tf.layers.dense(inputs=l1,units=1, # output unitsactivation=None,kernel_initializer=tf.random_normal_initializer(0., .1), # weightsbias_initializer=tf.constant_initializer(0.1), # biasesname='V')with tf.variable_scope('squared_TD_error'):self.td_error = self.r + GAMMA * self.v_ - self.vself.loss = tf.square(self.td_error) # TD_error = (r+gamma*V_next) - V_evalwith tf.variable_scope('train'):self.train_op = tf.train.AdamOptimizer(lr).minimize(self.loss)def learn(self, s, r, s_):s, s_ = s[np.newaxis, :], s_[np.newaxis, :]v_ = self.sess.run(self.v, {self.s: s_})td_error, _ = self.sess.run([self.td_error, self.train_op],{self.s: s, self.v_: v_, self.r: r})return td_errorsess = tf.Session()actor = Actor(sess, n_features=N_F, n_actions=N_A, lr=LR_A) critic = Critic(sess, n_features=N_F, lr=LR_C) # we need a good teacher, so the teacher should learn faster than the actorsess.run(tf.global_variables_initializer())if OUTPUT_GRAPH:tf.summary.FileWriter("logs/", sess.graph)for i_episode in range(MAX_EPISODE):s = env.reset()t = 0track_r = []while True:if RENDER: env.render()a = actor.choose_action(s)s_, r, done, info = env.step(a)if done: r = -20track_r.append(r)td_error = critic.learn(s, r, s_) # gradient = grad[r + gamma * V(s_) - V(s)]actor.learn(s, a, td_error) # true_gradient = grad[logPi(s,a) * td_error]s = s_t += 1if done or t >= MAX_EP_STEPS:ep_rs_sum = sum(track_r)if 'running_reward' not in globals():running_reward = ep_rs_sumelse:running_reward = running_reward * 0.95 + ep_rs_sum * 0.05if running_reward > DISPLAY_REWARD_THRESHOLD: RENDER = True # renderingprint("episode:", i_episode, " reward:", int(running_reward))break
更多实例教程可以参考我下面的文章在本地或者在parl中制作自己的游戏环境:
PaddlePaddlle强化学习及PARL框架{飞桨}
【二】gym初次入门一学就会---代码详细解析简明教程----平衡杆案例相关推荐
- jmeter 控制偏离_Jmeter(二十) - 从入门到精通 - JMeter监听器 -下篇(详解教程)
1.简介 监听器用来监听及显示JMeter取样器测试结果,能够以树.表及图形形式显示测试结果,也可以以文件方式保存测试结果,JMeter测试结果文件格式多样,比如XML格式.CSV格式.默认情况下,测 ...
- Jmeter(二十三) - 从入门到精通 - JMeter函数 - 上篇(详解教程)
1.简介 在性能测试中为了真实模拟用户请求,往往我们需要让提交的表单内容每次都发生变化,这个过程叫做参数化.JMeter配置元件与前置处理器都能帮助我们进行参数化,但是都有局限性,为了帮助我们能够更好 ...
- IC工程师入门必学《Verilog超详细教程》(附下载)
Verilog HDL(简称 Verilog )是一种硬件描述语言,用于数字电路的系统设计.可对算法级.门级.开关级等多种抽象设计层次进行建模. Verilog 继承了 C 语言的多种操作符和结构,与 ...
- 笔记|(b站)刘二大人:pytorch深度学习实践(代码详细笔记,适合零基础)
pytorch深度学习实践 笔记中的代码是根据b站刘二大人的课程所做的笔记,代码每一行都有注释方便理解,可以配套刘二大人视频一同使用. 用PyTorch实现线性回归 # 1.算预测值 # 2.算los ...
- ubuntu的linux基础命令,Linux基础学,Ubuntu Linux命令行简明教程
西红柿草蛋2 于 2013-09-10 16:17:28发表: exit 退出 ctrl + c 强制退出当前运行命令 clear 清屏命令 logout 注销 poweroff 关机 reboot ...
- 【四】gym搭建自己的环境,全网最详细版本,3分钟你就学会了!
相关文章: [一]gym环境安装以及安装遇到的错误解决 [二]gym初次入门一学就会-简明教程 [三]gym简单画图 [四]gym搭建自己的环境,全网最详细版本,3分钟你就学会了! [五]gym搭建自 ...
- 【笔记-java】java工程师-入门必学
路径 目录 子目录 重点 课程名 备注 java工程师 入门必学 语法基础 环境搭建.开发工具使用.基础语法 java入门第一季 面向对象 继承.封装.多态 java入门第二季 常用工具类 异常.字符 ...
- Revit二次开发入门秘籍 01如何入门
关于入门 我想在开始学习之前大家应该更需要知道如何入门,对比一下我们在学校的学习,我们需要书.老师-书上呢,是有所有的知识点,有重要的,有不重要的,而老师呢,会知道哪些是重点,也就是我们考试要考的,教 ...
- Revit二次开发入门捷径_升维学习、降维打击
问题 入门Revit二次开发有捷径吗? 答案 量子力学:有也没有.(皮一下:叠加态) 没有:目的地只有一个,路只有一条,学习没有捷径. 有:虽然路只有一条,但我们可以借助交通工具,缩短时间就是捷径. ...
最新文章
- 人大赵鑫:基于图神经网络,建模知识图谱
- 使用TimeQuest时序分析器
- 用html做qq会员页面导航,untitledQQ会员页面导航3.html
- linux 开发板传文件,linux下使用minicom传送文件到开发板
- 图像处理几种Trick
- Android入门笔记04
- 阶段1 语言基础+高级_1-3-Java语言高级_06-File类与IO流_05 IO字符流_7_字符输出流的续写和换行...
- 手把手教你用Python创建SQL数据库~
- 史上最全的点线面距离公式与推导过程(图文介绍)
- python列表字符全部改为大写_将包含字符串的Python列表转换为小写或大写
- <Healing Psoriasis The Natural Alternative>笔记(持续进行中)
- 如何将自己开发的网站部署到小鸟云服务器上?
- 【转载】古龙·断章·小札[十二]:《多情剑客无情剑》
- 图片在相应页面变化的时候拉长
- 《以太坊攻略》,小白如何逆袭成为技术大咖?要学的全在这里了
- 概率分布、概率密度、概率函数、分布函数之间区别
- Keil uVision5 Win10 设置字体 崩溃
- 1985-2021年全国31省一二三产业就业人数/各省分产业就业人数数据(无缺失)
- 免费下载:全国各级别行政边界数据下载
- 一亩田招聘java_java-网络编程
热门文章
- ResNet 残差网络、残差块
- Python数据分析(matplotlib、numpy、pandas)
- mysql数据库备份与导入
- javaScript(call,apply,date,arguments,Math)
- kubectl工具使用
- IONIC--如何使用IONIC
- 三星4k3d电视测试软件,技术篇 | 央视4K超高清频道怎么看?三星电视让您大饱眼福!...
- 计算机开机了进入不到桌面,电脑开机后进不了桌面,小编教你电脑开机后无法进入桌面怎么办...
- 今年出现了5种电子商务SEO趋势
- Introduction to Fabric.js/ Part 8 - Clipping with clipPaths(介绍Fabric.js第八部分-剪裁)