文件名称：es_on_gke:在Google Kubernetes引擎上运行演变策略
文件大小：135KB
文件格式：ZIP
更新时间：2024-06-12 17:28:03
Python
在Google Kubernetes Engine上运行Evolution策略 介绍 进化策略（ES）通过大量通常是分布式进行的试验来执行迭代优化。 （GKE）是ES的良好平台。 我们希望此处的说明和代码可以作为研究人员在GKE上进行ES实验的快速入门。 有关存储库的更多信息，请参考的博客。 如果您想进一步了解ES，也强烈建议您阅读此，该提供了出色的解释。 如何使用代码 我们作为样本提供的ES算法是参数探索策略梯度（PEPG）和协方差矩阵自适应（CMA）。 您可以在Google Brain的和OpenAI的与他们一起玩。 您也可以在此处轻松扩展代码以添加ES算法或更改配置以在自己的环境中尝试算法。 在GKE上运行演示 1.开始之前 您需要在Google Cloud Platform（GCP）上运行集群才能运行演示，请按照 的说明进行操作。 我们使用以下命令/配置来创建我们的集群，可以随意更
【文件预览】：
es_on_gke-master
----evaluation_service_pb2_grpc.py(1KB)
----Dockerfile(391B)
----requirements.txt(201B)
----LICENSE(11KB)
----train_local.sh(899B)
----es_worker.py(2KB)
----policies.py(4KB)
----evaluation_service.proto(736B)
----README.md(5KB)
----configs()
--------MinitaurLocomotion.gin(919B)
--------BipedalWalkerHardcore.gin(909B)
----imgs()
--------img_start_master_workers.png(39KB)
--------img_bipedal_time_comparison.png(41KB)
--------img_minitaur_time_comparison.png(25KB)
----test.py(3KB)
----index.html(1KB)
----yaml()
--------deploy_master_bipedal.yaml(1KB)
--------deploy_workers_minitaur.yaml(878B)
--------deploy_workers_bipedal.yaml(875B)
--------deploy_master_minitaur.yaml(1KB)
----learner.py(7KB)
----es_master.py(2KB)
----evaluation_service_pb2.py(5KB)
----utility.py(6KB)
----evaluation_service.py(3KB)
----algorithm()
--------__init__.py(0B)
--------cma_solver.py(3KB)
--------optimizers.py(2KB)
--------pepg_solver.py(10KB)
--------solver.py(4KB)