[跟着 汀 学强化学习Day1] Gym环境安装

最新推荐文章于 2024-09-12 20:06:16 发布
最新推荐文章于 2024-09-12 20:06:16 发布
阅读量61 收藏
点赞数 1
文章标签： python 人工智能
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_35605091/article/details/133935350
版权

因为科研需要，准备开始学强化学习啦，友友给我找了汀的强化学习专栏，那么今天就一篇一篇开始打卡吧！学到就是赚到！

 1. Gym模块的安装（每次安装环境我都会非常暴躁哈哈，因为要等很久，都扔给npy，这一次自己来吧！）

 第一次不知道为啥失败了，第二次可以了

友友说会有Successfully！真的有哎！

果然出现了帖子里的错误

然后最后我还是失败了，求救男朋友装好了环境。

但是友情提醒，汀的帖子中[一]gym环境安装里，那段测试的语句有问题，可以直接进入贴二的测试语句来测试，即下面这段：

(当然了，上面的是男朋友发现的，甚至说我为什么不看第二段)

结尾附上今日份鼓励教学：

Asaskaa要加油
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
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)
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】gym安装教程
IT菜鸟
12-12 2万+
一、参考资料 强化学习实战 第一讲 gym学习及二次开发 二、配置环境 1. 安装 Anaconda，创建anconda虚拟环境，参考我的另外两篇博客 Anaconda3在windows下的安装与简单使用 Anaconda在Ubuntu下的安装与简单使用 2. 激活进入 anaconda 虚拟环境 >> source activate gymlab 3. 从 github下载gym官方源码 gym官方源码 4. 进入gym源码文件夹，安装一系列包 >>.
OpenAI gym的安装
lingyun_csdn的博客
01-31 1万+
在ubuntu1404安装gym的步骤 Step1：将gym克隆到计算机上： git clone https://github.com/openai/gym.git 如果你的电脑没有安装git，那么键入 sudo apt install git Step2：进入gym文件夹 cd gym Step3：安装一些依赖项 apt-get install -y python-n
windows下安装gym的坑
qq_34769201的博客
07-12 1万+
首先用pip命令安装 pip install gym 会自动安装，然后执行一些命令会报错 import gym env = gym.make(id='CarRacing-v0') 会报错，说模块 AttributeError: module 'gym.envs.box2d' has no attribute 'CarRacing' 回溯，一步一步查上去发现是没有安装box2d模块，而代码里面...
win10 Anaconda 安装 gym 模块
Amber__py的博客
03-29 1373
进入需要安装 gym 模块的虚拟环境：例如我需要在 pytorch 环境中安装 gym 模块 # 激活虚拟环境 pytorch 是我的虚拟环境的名字 activate pytorch pip 安装 gym 模块： pip install gym 这时我的计算机报错：ERROR: Could not install packages due to an OSError: HTTPSConnectionPool 改用清华镜像安装 pip install gym matplotlib -i htt
安装gym 遇到的各种坑
weixin_42222609的博客
08-10 9231
安装gym遇到的各种坑，差点以为以为是垃圾电脑，都要放弃了。 首先按照《深入浅出强化学习入门原理》那本书中所提到的安装步骤是：（遇到的坑后面再说） 第一步、安装 Anaconda 在 Ubuntu 系统中安装 Gym 之前，建议先安装 Anaconda，Anaconda 自带 Jupyter Notebook，还自带了很多常用库，能方便地管理环境。 1、下载 Anaconda 安装包及安装参考：h...
强化学习Openai Gym基础环境搭建
丹丹的后花园
04-07 9241
Openai Gym基础环境搭建 ​ Gym提供了一些基础的强化学习环境，并且集成了许多有意思的环境，下面我们来一起看下如何在你的电脑上搭建Gym的开发环境吧。 ​ Gym的Github地址。 1. ReadMe解读 ​ Gym 是一个开源 Python 库，通过提供标准 API 在强化学习算法和环境之间进行通信，以及符合该 API 的标准环境集，用于开发和比较强化学习算法。自发布以来，Gym 的 API 已成为强化学习领域的标准。 ​ Gym的官方文档地址：https://www.gymlibrary.m
强化学习：仿真环境Gym的安装和测试
qq_54900679的博客
02-18 1014
强化学习：仿真环境Gym的安装和测试
写一个强化学习训练的gym环境
xhydongda的博客
05-09 3528
需求 要用强化学习(Reinforcement Learning)算法解决问题，需要百千万次的训练，真实环境一般不允许这么多次训练（时间太长、试错代价太大），需要开发仿真环境。OpenAI的gym环境是目前的标准，遵守其API写一个自定义的环境可以被各种强化学习算法无码调用。 gym API要求 分析gym的代码和文档，可以看出，一个环境至少应该包含动作空间(action space)、状态空间(observation space)定义，以及reset()、step()、rende...
强化学习笔记：Gym入门--从安装到第一个完整的代码示例
热门推荐
chenxy_bwave的专栏
01-21 5万+
​Gym库(https://gym.openai.com) 是OpenAI推出的强化学习实验环境库。它用Python语言实现了离散之间智能体-环境接口中的环境部分。本文中“环境”一次均指强化学习基本框架模型之“智能体-环境”接口中的“环境”，每个环境就代表着一类强化学习问题，用户通过设计和训练自己的智能体来解决这些强化学习问题。所以，某种意义上，Gym也可以看作是一个强化学习习题集！ 本文介绍gym入门所需要必要最小知识集合，并以一个完整的代码示例结束。
强化学习SAC算法、Qlearning在gym环境cartpole-q、mountain-car-q应用
07-25
在这个项目中，我们关注的是两种常见的强化学习算法——Soft Actor-Critic (SAC) 和 Q-Learning，并且它们在OpenAI Gym中的两个经典环境cartpole_q和mountain_car_q上的应用。 1. Soft Actor-Critic (SAC) 算法： ...
强化学习 –baseline项目之gym中的Atari游戏的环境重写
01-06
gym中集成的atari游戏可用于DQN训练，但是操作还不够方便，于是baseline中专门对gym的环境重写，以更好地适应dqn的训练  从源码中可以看出，只需要重写两个函数 reset（）和step() ，由于render（）没有被重写，...
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...
爆改YOLOv8|使用MobileNetV4替换yolov8的Backbone
weixin_43986124的博客
09-12 554
MobileNetV4，yolov8改进backbone, yolov8改进， 即插即用
【python】—— Python爬虫实战：爬取珠海市2011-2023年天气数据并保存为CSV文件
weixin_63106307的博客
09-05 1132
本文将介绍如何使用Python编写一个简单的爬虫程序，以爬取珠海市2011年至2023年的天气数据，并将这些数据保存为CSV文件。
JUC从实战到源码：中断机制与API实现
最新发布
qq_43843951的博客
09-12 723
在Java中，线程中断是一种机制，用于通知线程应该停止当前正在执行的任务。中断通常用于协同线程之间的合作，以便让线程在适当的时候终止其工作，尤其是在长时间运行的任务或阻塞操作中。通过学了多线程以及synchronized的相关知识，接下来就到了学习线程中断知识。
Python实现多线程、多进程及协程
qq_42568323的博客
09-09 1013
本文详细介绍了 Python 中多线程、多进程和协程的并发模型及其实现方式，并通过具体场景演示了如何使用面向对象思想实现这些模型。在实际应用中，应根据任务的类型和需求选择合适的并发模型，从而优化程序的性能和资源利用率。本文将详细介绍 Python 中的多线程、多进程和协程的概念及其实现方式，并通过具体场景展示如何在 Python 中使用面向对象的思想实现这些并发模型。接下来，我们通过一个计算密集型任务的示例来演示多进程的实现：计算一系列大数字的阶乘。主程序中创建并启动了多个计算进程，并使用。
pip-tools：打造可重复、可控的 Python 开发环境，解决依赖关系，让代码更稳定
weixin_53707653的博客
09-09 779
是一个强大且易用的工具，可以帮助开发者轻松管理 Python 项目的依赖关系，确保代码的可重复性和稳定性。是一组命令行工具，旨在简化 Python 依赖关系的管理，确保项目环境的稳定性和可重复性。可以确保每次构建环境时都使用相同的依赖项版本，从而避免由于依赖项版本不一致导致的错误，提高代码可重复性和稳定性。自动化了依赖关系管理过程，节省了开发者的时间和精力，可以将更多时间投入到实际的开发工作中。文件中的信息，更新虚拟环境，安装、升级或卸载所需的软件包，确保虚拟环境与。命令可以从你的项目配置文件中生成。
[Python]生成器和yield关键字
weixin_57336987的博客
09-07 398
概述:​ 它指的是 generator, 类似于以前学过的: 列表推导式, 集合推导式, 字典推导式…作用:​ 降低资源消耗, 快速(批量)生成数据.实现方式:​ 1.推导式写法.​ 2.yield写法.yield i # yield会记录每个生成的数据, 然后逐个的放到生成器对象中, 最终返回生成器对象.问题: 如何从生成器对象中获取数据?​ 答案:​ 1.for循环遍历​ 2.next()函数, 逐个获取.
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。
评论 3
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