NeatRL

可讀的單一檔案 PyTorch 深度強化學習演算法實作

NeatRL 是什麼?

可讀的單一檔案 PyTorch 深度強化學習演算法實作(保留品牌名稱 NeatRL、URL、技術術語及事實含義,未新增功能、定價、聲稱、評分或意見)

NeatRL 概覽

這是什麼

NeatRL 是一個用於強化學習演算法的 Python 函式庫。它使用 PyTorch 提供可讀性高的單一檔案深度強化學習演算法實作。該函式庫支援 Gymnasium 環境與 Atari 遊戲,並整合 Weights & Biases 進行實驗追蹤。它專為研究與實驗而設計。

主要功能

  • 單一檔案實作:每個演算法都包含在一個自包含的檔案中。
  • 實驗追蹤:內建支援 Weights & Biases 記錄。
  • 相容 Gymnasium:可與 Gymnasium 環境搭配使用。
  • Atari 支援:完整支援 Atari 遊戲,並自動使用 CNN 架構。
  • 平行訓練:使用向量化環境加速資料收集。
  • 易於擴展:模組化設計便於新增演算法。
  • 影片錄製:自動錄製影片並整合 WandB。

使用情境

  • 強化學習演算法的研究與實驗。
  • 在離散動作空間環境(如 CartPole 和 FrozenLake)中訓練 RL 代理。
  • 在連續控制任務(如 Pendulum 和 HalfCheetah)中訓練 RL 代理。
  • 在 Atari 遊戲中訓練 RL 代理,並自動進行預處理。
  • 比較不同演算法(DQN、PPO、SAC、TD3、DDPG、A2C 等)在標準基準上的表現。

快速開始

透過 pip 安裝 NeatRL: bash pip install neatrl pip install 'neatrl[cli]' # 即時終端儀表板 (rich, psutil) 可選環境擴充套件: bash pip install 'neatrl[atari]' # Atari 遊戲 (ALE) pip install 'neatrl[box2d]' # Box2D 環境 (LunarLander, BipedalWalker, …) pip install 'neatrl[classic]' # 經典控制 (CartPole, Pendulum, …) pip install 'neatrl[mujoco]' # MuJoCo 連續控制 快速開始範例:在 CartPole 上訓練 DQN python from neatrl.dqn_mlp import train_dqn model = train_dqn(env_id='CartPole-v1', total_timesteps=10000, seed=42)

授權與價格

程式碼採用 Apache License 2.0 授權。文件、圖表、基準測試結果及其他非程式碼資產採用 CC BY 4.0 授權。本專案為開放原始碼。

內容整理自該專案公開的 README 與儲存庫資訊。

將此徽章加入你的 README

Featured on YunoDB 徽章樣式與說明

你是這個專案的維護者嗎?展示它已收錄於 YunoDB。

Markdown[![Featured on YunoDB](https://yunodb.com/badge/yuvrajsingh-mistneatrl.svg)](https://yunodb.com/tools/yuvrajsingh-mistneatrl?utm_source=github&utm_medium=badge)
HTML<a href="https://yunodb.com/tools/yuvrajsingh-mistneatrl?utm_source=github&utm_medium=badge"><img src="https://yunodb.com/badge/yuvrajsingh-mistneatrl.svg" alt="Featured on YunoDB" height="20"></a>