文件名称：WALL-E:高效而简单的强化学习研究框架的代码库
文件大小：838KB
文件格式：ZIP
更新时间：2024-05-23 09:08:26
reinforcement-learning Python
瓦力（） 主要贡献者：徐天兵（加利福尼亚百度研究公司）发起该项目，编写大部分代码。 合作者：赵亮（加利福尼亚州百度研究公司），安德鲁·张（斯坦福大学），张书南（苹果）。 高效，快速而简单的强化学习研究框架代码库，在机器人技术及其后续领域中都有潜在的应用程序。 动机： 这是一个长期的“再学习”项目，致力于开发高效而简单的RL框架，以支持正在进行的与系统，方法论等相关的RL研究。 第一个完成的里程碑是通过多进程体系结构支持加快RL。 在RL中，通过在环境MDP上运行策略来收集经验的时间是一个瓶颈，与在GPU上进行策略学习的计算相比，要花费更多的时间。 借助多进程支持，我们能够并行收集经验，从而将数据收集时间减少了近乎线性的因素。 强化学习架构设计 一般强化学习框架 根据Sampler生成的经验，代理负责更新策略。 采样器负责通过在环境MDP上执行，从更新的策略中产生经验。 带有多进程
【文件预览】：
WALL-E-master
----hooks()
--------pre-commit(5KB)
----conda_walle.yml(8KB)
----src()
--------main.py(4KB)
--------experiment()
--------policy()
--------memory()
--------run_parallel_main.py(5KB)
--------agent()
--------env()
--------util()
--------optimizer()
----requirements.txt(992B)
----.gitignore(72B)
----start.sh(196B)
----walle_report.pdf(260KB)
----README.md(5KB)
----Doc()
--------speedup.png(29KB)
--------walle-arch-multi.png(88KB)
--------learn-time.png(19KB)
--------cmp-cheetah-n=10-vs-1.png(30KB)
--------multi_proc_RL.jpg(67KB)
--------rollout-time.png(20KB)
--------walle-arch.png(32KB)
--------time-percentage.png(29KB)
--------report.pdf(240KB)
--------RLFramework.jpg(47KB)
----.pre-commit-config.yaml(740B)