Sehen Sie meine banana-gym
für eine extrem kleine Umgebung.
Erstellen Sie neue Umgebungen
Siehe die Hauptseite des Repositorys:
https://github.com/openai/gym/blob/master/docs/creating-environments.md
Die Schritte sind:
- Erstellen Sie ein neues Repository mit einer PIP-Paketstruktur
Es sollte so aussehen
gym-foo/
README.md
setup.py
gym_foo/
__init__.py
envs/
__init__.py
foo_env.py
foo_extrahard_env.py
Für den Inhalt folgen Sie dem Link oben. Details, die dort nicht erwähnt werden, sind insbesondere, wie einige Funktionen in foo_env.py
aussehen sollten. Das Betrachten von Beispielen und von gym.openai.com/docs/ hilft. Hier ist ein Beispiel:
class FooEnv(gym.Env):
metadata = {'render.modes': ['human']}
def __init__(self):
pass
def _step(self, action):
"""
Parameters
----------
action :
Returns
-------
ob, reward, episode_over, info : tuple
ob (object) :
an environment-specific object representing your observation of
the environment.
reward (float) :
amount of reward achieved by the previous action. The scale
varies between environments, but the goal is always to increase
your total reward.
episode_over (bool) :
whether it's time to reset the environment again. Most (but not
all) tasks are divided up into well-defined episodes, and done
being True indicates the episode has terminated. (For example,
perhaps the pole tipped too far, or you lost your last life.)
info (dict) :
diagnostic information useful for debugging. It can sometimes
be useful for learning (for example, it might contain the raw
probabilities behind the environment's last state change).
However, official evaluations of your agent are not allowed to
use this for learning.
"""
self._take_action(action)
self.status = self.env.step()
reward = self._get_reward()
ob = self.env.getState()
episode_over = self.status != hfo_py.IN_GAME
return ob, reward, episode_over, {}
def _reset(self):
pass
def _render(self, mode='human', close=False):
pass
def _take_action(self, action):
pass
def _get_reward(self):
""" Reward is given for XY. """
if self.status == FOOBAR:
return 1
elif self.status == ABC:
return self.somestate ** 2
else:
return 0
Nutze deine Umgebung
import gym
import gym_foo
env = gym.make('MyEnv-v0')
Beispiele
- https://github.com/openai/gym-soccer
- https://github.com/openai/gym-wikinav
- https://github.com/alibaba/gym-starcraft
- https://github.com/endgameinc/gym-malware
- https://github.com/hackthemarket/gym-trading
- https://github.com/tambetm/gym-minecraft
- https://github.com/ppaquette/gym-doom
- https://github.com/ppaquette/gym-super-mario
- https://github.com/tuzzer/gym-maze
gym_foo
importiert aber unbenutzt". Wie kann ich es loswerden?import gym_foo # noqa
pip install -e .
half das Ausführen des Befehls @hipoglucidoEs ist definitiv möglich. Sie sagen dies auf der Dokumentationsseite kurz vor dem Ende.
https://gym.openai.com/docs
Informationen dazu finden Sie im Quellcode der vorhandenen Umgebungen. Es ist in Github erhältlich:
https://github.com/openai/gym#installation
Die meisten ihrer Umgebungen wurden nicht von Grund auf neu implementiert, sondern es wurde ein Wrapper um vorhandene Umgebungen erstellt und allen eine Schnittstelle zur Verfügung gestellt, die für das verstärkte Lernen praktisch ist.
Wenn Sie Ihre eigenen erstellen möchten, sollten Sie wahrscheinlich in diese Richtung gehen und versuchen, etwas, das bereits vorhanden ist, an die Benutzeroberfläche des Fitnessstudios anzupassen. Obwohl es eine gute Chance gibt, dass dies sehr zeitaufwändig ist.
Es gibt eine andere Option, die für Ihren Zweck interessant sein kann. Es ist das OpenAI-Universum
https://universe.openai.com/
Es kann in Websites integriert werden, sodass Sie Ihre Modelle beispielsweise in Kongregate-Spielen trainieren können. Das Universum ist jedoch nicht so einfach zu bedienen wie das Fitnessstudio.
Wenn Sie ein Anfänger sind, empfehle ich Ihnen, mit einer Vanille-Implementierung in einer Standardumgebung zu beginnen. Nachdem Sie die Probleme mit den Grundlagen überwunden haben, fahren Sie mit dem Inkrementieren fort ...
quelle