电子商务网站建设技能实训答案,17zwd一起做网站广州,广州正规的网站建设,网站建设公司电话销售话术OpenAI Gym是 OpenAI 出的研究强化学习算法的 toolkit#xff0c;对于强化学习算法来说#xff0c;大部分的论文环境都已经被 OpenAI 的 gym 环境集成#xff0c;我们可以很便利的使用该工程来测试自己的强化学习算法#xff0c;与他人的算法做一个对比。 Gym 官网
Github…OpenAI Gym是 OpenAI 出的研究强化学习算法的 toolkit对于强化学习算法来说大部分的论文环境都已经被 OpenAI 的 gym 环境集成我们可以很便利的使用该工程来测试自己的强化学习算法与他人的算法做一个对比。 Gym 官网
Githubhttps://github.com/openai/gym
官网http://gym.openai.com/ 安装方式
pip install gym Gym 使用介绍
创建一个 gym 环境
env gym.make(CartPole-v1)
获取所有可用环境
gym.envs.registry.all() 创建环境后必须用 reset() 初始化返回第一个观察值观察值取决于环境的类型。
obs env.reset() 环境可能采取的行动: env.action_space每个环境都带有 action_space 和 observation_space 对象。这些属性是 Space 类型描述格式化的有效的行动和观察。
step() 执行给定动作并返回四个值
obs: 新观察reward: 无论做什么每一步获得 1.0 奖励因此目标是使小车尽可能长时间运行done: 整个回合结束时此值为 True之后必须重置环境info: 环境特定的字典提供额外的信息
obs, reward, done, info env.step(env.action_space.sample())
使用完环境后调用 close() 释放资源。
env.close() import timeimport gym
1. 环境environment
2. 智能体agent算法
agent发送action至environmentenvironment返回观察和回报。
def main():用 make() 创建一个 gym 中的现成环境env gym.make(CartPole-v1)obs, reward, done, info env.reset()print(obs: {}.format(obs))print(reward: {}.format(reward))print(done: {}.format(done))print(info: {}.format(info))print(action_space: {}.format(env.action_space))print(observation_space: {}.format(env.observation_space))print(observation_space.high: {}.format(env.observation_space.high))print(observation_space.low: {}.format(env.observation_space.low))# 刷新当前环境并显示for _ in range(1000):env.render()obs, reward, done, info env.step(env.action_space.sample())if done:breaktime.sleep(0.1)env.close()if __name__ __main__:main()
