库名称: stable-baselines3 标签:

• LunarLander-v2
• 深度强化学习
• 强化学习
• stable-baselines3 模型索引:
• 名称: DQN 结果:
  • 指标:
    • 类型: 平均奖励 值: 280.22 +/- 13.03 名称: 平均奖励 任务: 类型: 强化学习 名称: 强化学习 数据集: 名称: LunarLander-v2 类型: LunarLander-v2

DQN 智能体在 LunarLander-v2 中的表现

这是一个使用 stable-baselines3 库 训练的 DQN 智能体在 LunarLander-v2 环境中的模型。

使用方法 (与 Stable-Baselines3 配合)

from huggingface_sb3 import load_from_hub
from stable_baselines3 import DQN
from stable_baselines3.common.env_util import make_vec_env
from stable_baselines3.common.evaluation import evaluate_policy

# 下载检查点
checkpoint = load_from_hub("araffin/dqn-LunarLander-v2", "dqn-LunarLander-v2.zip")
# 移除警告
kwargs = dict(target_update_interval=30)
# 加载模型
model = DQN.load(checkpoint, **kwargs)

env = make_vec_env("LunarLander-v2", n_envs=1)

# 评估
print("评估模型中")
mean_reward, std_reward = evaluate_policy(
    model,
    env,
    n_eval_episodes=20,
    deterministic=True,
)
print(f"平均奖励 = {mean_reward:.2f} +/- {std_reward:.2f}")

# 开始新的一局
obs = env.reset()

try:
    while True:
        action, _states = model.predict(obs, deterministic=True)
        obs, rewards, dones, info = env.step(action)
        env.render()
except KeyboardInterrupt:
    pass

训练代码 (与 Stable-baselines3 配合)

from stable_baselines3 import DQN
from stable_baselines3.common.env_util import make_vec_env
from stable_baselines3.common.callbacks import EvalCallback

# 创建环境
env_id = "LunarLander-v2"
n_envs = 8
env = make_vec_env(env_id, n_envs=n_envs)

# 创建评估环境
eval_envs = make_vec_env(env_id, n_envs=5)

# 根据环境数量调整评估间隔
eval_freq = int(1e5)
eval_freq = max(eval_freq // n_envs, 1)

# 创建评估回调以保存最佳模型
# 并监控智能体表现
eval_callback = EvalCallback(
    eval_envs,
    best_model_save_path="./logs/",
    eval_freq=eval_freq,
    n_eval_episodes=10,
)

# 实例化智能体
# 超参数来自 https://github.com/DLR-RM/rl-baselines3-zoo
model = DQN(
    "MlpPolicy",
    env,
    learning_starts=0,
    batch_size=128,
    buffer_size=100000,
    learning_rate=7e-4,
    target_update_interval=250,
    train_freq=1,
    gradient_steps=4,
    # 探索 40_000 时间步
    exploration_fraction=0.08,
    exploration_final_eps=0.05,
    policy_kwargs=dict(net_arch=[256, 256]),
    verbose=1,
)

# 训练智能体 (可通过 ctrl+c 提前终止)
try:
    model.learn(total_timesteps=int(5e5), callback=eval_callback)
except KeyboardInterrupt:
    pass

# 加载最佳模型
model = DQN.load("logs/best_model.zip")