强化学习笔记——Win10+Gym环境配置

最新推荐文章于 2024-06-06 14:27:20 发布
最新推荐文章于 2024-06-06 14:27:20 发布
阅读量8.1k 收藏 70
点赞数 9
分类专栏： Python Gym 文章标签： 强化学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_33548747/article/details/102806136
版权

Win10+Gym强化学习环境配置

Anaconda

Anaconda主要是用来创建独立的 Python 开发运行环境。

下载

镜像下载地址
我下载的是Anaconda3-4.3.0-Windows-x86_64.exe版本。
参考anaconda python 版本对应关系

Anaconda3-4.3.0.1-Windows-x86_64.exe 对应 python3.6.0
Anaconda3-5.1.0-Windows-x86_64.exe 对应 python3.6.3

下载后双击即可安装，一步步点击过去就行，比较简单。
参考Anaconda安装教程

安装完测试一下

按 win+R 调出cmd，输入conda info，显示如图就没有问题啦~
在这里插入图片描述
另外，使用conda list可以查看已经安装的包
在这里插入图片描述

（可选）设置Anaconda镜像，加速下载包

使用conda install 包名 安装需要的Python非常方便，但是官方的服务器在国外，因此下载速度很慢，国内清华大学提供了Anaconda的仓库镜像，我们只需要配置Anaconda的配置文件，添加清华的镜像源，然后将其设置为第一搜索渠道即可，cmd命令行下分别执行以下命令（为避免奇怪错误，接下来整个环境配置我都是用的管理员身份）：

conda config --add channels https://m
最低0.47元/天 解锁文章
Yimi-依米
关注
  • 9
    点赞
  • 踩
  • 70
    收藏
    觉得还不错? 一键收藏
  • 10
    评论
专栏目录
深度强化学习gym所得及所遇bug
weixin_64489160的博客
05-09 475
然后再搜索，发现说是box2d依赖swing，swig将c/c++代码封装为Python库的工具，但是swig并不是一个python库，无法pip安装，是因为本地操作系统上没有安装swig。按照说的安装了，环境变量添加了，仍然报错。总结就是，第一是虚拟环境创建位置不对，对conda不熟悉，第二就是不知道是不是电脑的问题，一样的代码过程，别人一下就成功我这卡卡卡。（突然想到之前有一次，调程序时候把path全删了然后又一个一个加上了，幸亏当时pycharm没关，之前的path没更新，不会是因为这吧...）
强化学习软件及虚拟环境安装与配置
星梦的博客
02-25 723
安装anaconda3 添加系统环境变量， C:\anaconda3 C:\anaconda3\Scripts C:\anaconda3\Library\lib 三项分别添加 我的电脑，属性，高级系统设置，高级，环境变量，选择Path，添加以上三个路径。 不然无法找到对应的命令。 即win+R中输入cmd，输入conda info无响应。 配置虚拟环境 若提示安装失败 换回默认源： conda config --remove-key channels #换回默认源 虚拟环境创建后会在安装目..
Windows系统强化学习gym环境搭建
最新发布
weixin_47929989的博客
06-06 248
8、下载好swig后，将其解压，然后在环境变量的路径里加入解压结果对应的swig.exe所在的目录。Win10系统设置环境变量的方法是：右击“我的电脑”->“属性”->“高级系统设置”->“环境变量”，再选择系统变量中的“PATH”增加新路径。7、下载swig,链接：http://prdownloads.sourceforge.net/swig/swigwin-4.0.0.zip。10、如果报错，确保电脑安装了visual studio。12、在gym\gym文件夹中运行。6、出现box2d未安装成功。
win10 下安装 gym
颹蕭蕭
03-31 5056
创建虚拟环境 universe 安装 gym conda create -n universe python=3.6 activate universe pip install gym==0.7.0 >>> pip list Package Version ------------ -------- certifi 2019.3.9 chardet ...
Win10系统强化学习环境配置
俟光凝虹天的博客
05-13 498
注：环境配置对标书籍《强化学习入门：从原理到实践》(叶强著)所需环境 1. Anaconda安装 直接官网下载 安装时注意勾选该页面两个选项 安装完成后检查系统环境变量是否已经包含下图几项，没有的话手动添加环境变量 2. Pycharm安装 直接官网下载Community版本即可 安装时注意勾选该页面的选项 3. Conda环境管理 3.1. 创建虚拟环境 conda create --name yourEnv python=3.7 name：也可以缩写为 【-n】，【yourEnv】是创建的虚拟
CNTK与深度强化学习笔记之一： 环境搭建和基本概念
cuiwader的专栏
08-17 4908
如需转载，请指明出处。 前言深度强化学习是人工智能当前的热点，CNTK也是微软力推的深度学习框架，2.x版本比之前有了长足的进步。目前国内将这两者融合起来的文章还不多。因此写作了这个学习笔记，希望能对大家有所帮助。
如何在win10环境下配置强化学习gym库（使用vscode）
m0_63054020的博客
08-29 3269
如何使用vscode在强化学习中配置gym库
强化学习——OpenAI Gym——环境理解和显示
12-21
在强化学习中，OpenAI Gym是一个广泛使用的平台，它提供了许多环境用于训练和测试智能体。本文将深入探讨OpenAI Gym环境的理解和显示，以CartPole为例。 首先，我们需要导入`gym`库，并创建一个特定的环境。在...
【python逆强化学习系列】学徒学习+gym仿真
08-26
【python逆强化学习系列】学徒学习+gym的MountainCar仿真（建议Linux环境运行），内涵requirments.txt环节配置文件，Human Expert制作单步仿真文件，训练曲线（png）和效果图（gif）。
DQN自动驾驶——python+gym实现（csdn）————程序.pdf
12-01
DQN是一种强化学习方法，它通过与环境的交互学习最优策略。在这个案例中，我们将重点放在安装环境、配置环境以及训练模型的步骤上。 首先，我们需要安装必要的库。`gym`是一个强大的Python库，用于开发和测试强化...
基于gym的q-learning强化学习实践
07-18
Gym是一个广泛使用的Python库，它为各种环境提供了一个标准接口，这些环境可以用于训练和测试强化学习算法。这里，我们专注于“FrozenLake”环境，这是一个经典的学习问题，旨在模拟一个简单的迷宫游戏，其目标是...
Gym下的小游戏的强化学习
02-02
OpenAI Gym是一个用于开发和比较强化学习算法的平台，提供了多种环境，包括经典的控制问题、棋盘游戏以及一些模拟环境。它为研究者和开发者提供了一个标准化的接口，使得不同算法之间可以方便地进行比较和评估。 在...
强化学习——Win10+Gym环境配置
qq_38156104的博客
02-25 997
使用Anaconda进行Python环境创建 创建一个gym环境 在 anaconda中创建一个新环境： conda create -n gym python=3.6.0 根据所给提示，激活并进入所创建的gym环境用activate gym， 离开gym环境使用deactivate gym， 列出所有环境使用conda env list，其中*号表示当前对应的环境。 删除环境使用conda env remove -n python360，与创建环境正好相反。 安装相关组件 conda i
Pytorch深度强化学习1-1：Gym安装与环境搭建教程(附基本指令表)
热门推荐
FRIGIDWINTER的博客
04-20 1万+
强化学习是在潜在的不确定复杂环境中，训练一个最优决策指导一系列行动实现目标最优化的机器学习方法。自从AlphaGo的横空出世之后，确定了强化学习在人工智能领域的重要地位，越来越多的人加入到强化学习的研究和学习中。OpenAI Gym是一个研究和比较强化学习相关算法的开源工具包，包含了许多经典的仿真环境(各种游戏)，兼容常见的数值运算库，使用户无需过多了解游戏的内部实现，通过简单地调用就可以用来测试和仿真。OpenAI GymGym开源库：测试仿真环境，这些环境有一个公共的接口且允许用户设计通用的算法。
强化学习与Gym环境配置
weixin_41177820的博客
10-22 1520
在Windows下配置Gym环境遇到的问题与解决
Windows环境下配置强化学习依赖包gym（2022最新版）
weixin_52459924的博客
05-12 2186
请在配置完成Anaconda后阅读本博客： 1.创建虚拟环境 当然，你可以直接在你现有的虚拟环境中安装，创建新的虚拟环境是为了便于管理。 打开cmd命令行窗口，或者打开Anaconda Prompt，输入如下命令点击回车，结果就是创建了一个名为gymPython36的虚拟环境，其中python版本为3.6： conda create -n gymPython36 python=3.6 2.激活创建的虚拟环境 执行完上一步后继续在该窗口中输入如下命令后点击回车： activate gymPy
强化学习：环境配置windows
Just for fun的专栏
06-13 1395
1、安装gym https://openai.com/ pip更改国内镜像源 在windows文件管理器中输入%APPDATA% 会定位到目录C:\Users\Administrator\AppData\Roaming\，在该目录下新建pip文件夹，在pip文件夹下新建pip.ini文件 在新建的pip.ini文件中输入以下内容并保存 [global] timeout = 6000 ...
【深度强化学习入门篇】（一）安装配置ViZDoom环境
小川儿的博客
01-24 1325
一、预装环境：           Ubuntu16.04           cmake2.8及以上           gcc4.9及以上           python2.7+python3        【注】: xxx  --version 命令即可查看软件版本(xxx为cmake or gcc) 二、安装依赖： #Zdoom dependencies sudo ap...
强化学习调度问题Gym环境编写
11-27
强化学习是一种通过智能体与环境的交互来学习最优行为的方法。Gym是一个用于开发和比较强化学习算法的工具包，它提供了一系列标准化的环境，使得研究者可以更加方便地进行算法的实现和比较。 要编写一个Gym环境，需要实现一个Python类，该类必须继承gym.Env类，并实现以下方法： 1. __init__(self): 初始化环境，包括环境状态的初始化、动作空间的定义等。 2. reset(self): 重置环境状态，返回初始状态。 3. step(self, action): 执行一个动作，返回下一个状态、奖励和是否终止的标志。 4. render(self, mode='human'): 可选方法，用于可视化环境状态。 下面是一个简单的Gym环境示例，该环境是一个简单的迷宫游戏，智能体需要找到宝藏并躲避陷阱： ```python import gym from gym import spaces import numpy as np class MazeEnv(gym.Env): def __init__(self): self.action_space = spaces.Discrete(4) # 动作空间为上下左右四个方向 self.observation_space = spaces.Box(low=0, high=255, shape=(5, 5, 3), dtype=np.uint8) # 状态空间为一个5x5的RGB图像 self.maze = np.array([ [0, 0, 0, 0, 0], [0, 1, 1, 0, 0], [0, 0, 1, 1, 0], [0, 1, 1, 0, 0], [0, 0, 0, 0, 2] ]) # 迷宫地图，0表示空地，1表示陷阱，2表示宝藏 self.agent_pos = np.array([1, 1]) # 智能体初始位置 self.reward_range = (-1, 1) # 奖励范围为[-1, 1] def reset(self): self.agent_pos = np.array([1, 1]) # 重置智能体位置 return self._get_obs() def step(self, action): if action == 0: # 上 self.agent_pos[0] = max(0, self.agent_pos[0] - 1) elif action == 1: # 下 self.agent_pos[0] = min(4, self.agent_pos[0] + 1) elif action == 2: # 左 self.agent_pos[1] = max(0, self.agent_pos[1] - 1) elif action == 3: # 右 self.agent_pos[1] = min(4, self.agent_pos[1] + 1) reward = self._get_reward() done = self._is_done() obs = self._get_obs() return obs, reward, done, {} def render(self, mode='human'): pass def _get_obs(self): obs = np.zeros((5, 5, 3), dtype=np.uint8) obs[self.agent_pos[0], self.agent_pos[1], :] = [255, 255, 255] # 智能体位置为白色 obs[self.maze == 1, 0] = 255 # 陷阱位置为红色 obs[self.maze == 2, 2] = 255 # 宝藏位置为蓝色 return obs def _get_reward(self): if self.maze[tuple(self.agent_pos)] == 1: # 踩到陷阱 return -1 elif self.maze[tuple(self.agent_pos)] == 2: # 找到宝藏 return 1 else: return 0 def _is_done(self): return self.maze[tuple(self.agent_pos)] != 0 ``` 这个环境比较简单，状态空间为一个5x5的RGB图像，动作空间为上下左右四个方向，奖励为-1（踩到陷阱）、0（未找到宝藏）和1（找到宝藏）。在实际应用中，需要根据具体问题设计合适的状态空间、动作空间和奖励函数。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 10
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值