DQN玩Atari游戏安装atari环境bug指南

最新推荐文章于 2023-04-24 10:00:19 发布
最新推荐文章于 2023-04-24 10:00:19 发布
阅读量382 收藏
点赞数
分类专栏： 强化学习 环境配置 文章标签： python
原文链接：https://blog.csdn.net/ningmengzhihe/article/details/117379628
版权

DQN玩Atari游戏安装atari环境bug指南

2021-05-29 10:52:42 720 已收藏 4
分类专栏： 强化学习 深度学习 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/ningmengzhihe/article/details/117379628
版权
强化学习 同时被 2 个专栏收录
8 篇文章 0 订阅
订阅专栏
深度学习
4 篇文章 0 订阅
订阅专栏

1.遇到bug：缺少atari.py怎么办
→在pypi.org官网上下载atari_py-0.2.9-cp36-cp36m-win_amd64.whl，因为我安装的python环境是3.6版本，在Anaconda Prompt里边将目录定位在whl的下载路径，pip install atari_py-0.2.9-cp36-cp36m-win_amd64.whl
安装成功啦

2.遇到bug：ROM找不到环境怎么办
这句bug里边链接了Github的一个网站，https://github.com/openai/atari-py#roms
指导如何安装ROM
在这里插入图片描述
→在ROM官方链接http://www.atarimania.com/rom_collection_archive_atari_2600_roms.html下载ROM的压缩包
在这里插入图片描述
Roms.rar压缩包解压开包含ROMS.zip和HC ROMS.zip两个压缩包，这个过程得到了https://stackoverflow.com/questions/67656740/exception-rom-is-missing-for-ms-pacman-see-https-github-com-openai-atari-py#的参考
在这里插入图片描述
将ROMS.zip压缩包再次解压到本地目录
打开Anaconda Prompt到ROMS文件夹目录
在这里插入图片描述
在这里插入图片描述
在Anaconda Prompt中安装命令
python -m atari_py.import_roms C:\Install Files\ROMS
报错是：

(base) C:\Install Files>python -m atari_py.import_roms C:\Install Files\ROMS usage: import_roms.py [-h] dirpath import_roms.py: error: unrecognized arguments: Files\ROMS

仔细阅读这条bug：无法识别的参数Files\ROMS，那是找不到这个路径了，Anaconda Prompt在ROMS文件夹目录了，还用全称地址来写文件名，是找不到地址的

那么我们把路径退到ROMS的上一级路径C:\Install Files
再来执行
python -m atari_py.import_roms .\ROMS

完美运行成功了

3.虽然这次遇到的是个小bug，但是再次印证了debug的精髓→bug的解决方案、原因、提示都在bug里边哦

喜欢的朋友记得点赞、关注、收藏ღ( ´･ᴗ･` )比心

</article>
宇zzZ
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
DQN实战：打造自己的Atari游戏智能体
禅与计算机程序设计艺术
02-07 175
1.背景介绍 在人工智能领域，强化学习是一种重要的学习方式，它通过让智能体在环境中进行探索，通过反馈来学习如何做出最优的决策。Deep Q-Network (DQN) 是一种结合了深度学习和Q-Learning的强化学习算法，它在2013年由DeepMind首次提出，并在Atari游戏上取得了显著的效果。 在这篇文章中，我们将深入探讨DQ
DQN-Atari-Tensorflow, 在Tensorflow中，使用深度Q 学习的最简单.zip
10-10
DQN-Atari-Tensorflow, 在Tensorflow中，使用深度Q 学习的最简单 DQN-Atari-Tensorflow在Tensorflow中实现"深度强化学习的人级控制"这可能是DQN最简单的实现Atari游戏的实现。pretrained网络即将发布 ！ PrerequsiteTensorflow (
DQN-Atari:Atari pong的深度Q学习（DQN）实施
05-04
DQN-雅达利 深度Q网络实现。 实施从论文《和得出。 结果 游戏视频-DQN Nature Paper 每集奖励 实施摘要 DQN自然架构实施 输入：84×84×4图像（使用历史记录的最后4帧） 转换层1：32个8×8滤光片，步幅为4 转换层2：64个4×4步幅的滤镜 转换层3：64个3×3滤光片，步幅为1 完全连接1：完全连接，由256个整流器单元组成 输出：完全连接的线性层，每个有效动作均具有单个输出。 DQN Neurips架构实施 输入：84×84×4图像（使用历史记录的最后4帧） 转换层1：16个8×8滤光片，步幅为4 转换层2：32个4×4步幅的滤镜 完全连接1：完全连接，由256个整流器单元组成 输出：完全连接的线性层，每个有效动作均具有单个输出。 其他参数 优化器：RMSProp 批量大小：32 电子贪婪：0.1 怎么跑 创建一个新环境 例子： conda
基于DQN的Atari游戏
zhf的博客
03-21 4243
首先吗，导入库 import numpy as np import gym import tensorflow as tf from tensorflow.contrib.layers import flatten, conv2d, fully_connected from collections import deque, Counter import random from datetime ...
深度强化学习方法（DQN）玩转Atari游戏（pong）
libenfan的博客
05-30 1万+
Atari Pong 简介 Pong是起源于1972年美国的一款模拟两个人打乒乓球的游戏，近几年常用于测试强化学习算法的性能。这篇文章主要记录如何用DQN实现玩Atari游戏中的Pong，希望对和我一样的小白有所帮助，文章最后附本文代码及参考代码 环境介绍： torch = 1.8.0+cu111 Python = 3.8.5 装环境的过程见本人另一篇博客https://blog.csdn.net/libenfan/article/details/116396388?spm=1001.2014.3001.
breakout-Deep-Q-Network:强化学习| 在Atari Breakout上执行DQN，对决DQN和Double DQN的tensorflow实现
05-11
:person_running: [强化学习]在Atari Breakout游戏上执行的Deep Q Network（DQN），决斗DQN和Double DQN的张量流实现 安装 键入以下命令以安装OpenAI Gym Atari环境。 $ pip3 install opencv-python gym gym[atari...
基于深度强化学习方法DQN完成 Atari游戏breakout的AI设计python源码+文档说明
最新发布
01-23
（2）熟悉gym[atari]环境中的breakout游戏，学会控制游戏的进行，了解设计AI需要处理的基本问题； （3）学习DQN算法，利用python语言设计AI； （4）针对breakout - 不懂运行，下载完可以私聊问，可远程教学 该资源...
deep-reinforcement-learning-atari-pong:强化学习DQN算法的PyTorch在OpenAI Atari Pong游戏中的应用
03-12
此应用程序的目标是找出深度Q学习（DQN）在OpenAI环境中对Pong的Atari 1600游戏有多准确和有效。 在DQN之上，测试了对相同算法的其他改进，包括多步DQN，Double DQN和Dueling DQN。 从下图可以看出，基本DQN仅需玩约...
AIGame，使用DQN，Keras玩游戏
07-31
在本文中，我们将深入探讨如何使用深度强化学习（Deep Q-Network, DQN）和Keras框架来创建一个智能体，使其能够玩游戏。DQN是一种强化学习算法，它结合了深度学习的表征能力与Q-learning的有效性，使得AI能够在复杂...
Atari游戏Roms.zip
04-08
Atari2600个街机游戏环境，从http://www.atarimania.com/rom_collection_archive_atari_2600_roms.html 网站上下载的文件。
Python-DQNchainerPython用Chainer实现的DeepQNetworks来自动玩ATARI游戏
08-11
DQN-chainer-Python 用 Chainer 实现的 Deep Q-Networks 来自动玩 ATARI 游戏
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，所以画面就没有被显示出来了 1.NoopResetEnv（）函数，功能：前30帧画面什么都不做，跳过。这有利于增加初始画面的随机性，不容易陷入过拟合 class NoopResetEnv(gym.Wrapper): def __init__(self, env, noop_max=30): Sample initial
深度强化学习中深度Q网络（Q-Learning+CNN）的讲解以及在Atari游戏中的实战（超详细 附源码）
showswoller的博客
11-25 5530
深度强化学习中深度Q网络（Q-Learning+CNN）的讲解以及在Atari游戏中的实战（超详细 附源码）
强化学习 - 使用深度强化学习模型如DQN或DDPG在Atari游戏上进行游戏玩法。
sybh的博客
04-24 488
在本文中，我们介绍了如何使用深度强化学习模型在Atari游戏中进行游戏玩法。具体地，我们使用了DQN模型在Pong游戏中进行游戏玩法，并介绍了DQN算法的原理和实现细节。我们还提供了Python代码示例，包括数据准备、模型实现、训练过程、数据处理和模型测试。通过本文的学习，读者将了解深度强化学习模型的实现和应用，以及在游戏玩法中的具体应用。
DQN:Playing Atari with Deep Reinfocement Learning
DarrenXf的专栏
02-23 1030
Playing Atari with Deep Reinfocement Learning 论文地址 https://www.cs.toronto.edu/~vmnih/docs/dqn.pdf 个人翻译，并不权威 深度强化学习玩Atari 摘要 我们提出了第一个成功通过强化学习直接从高维感官输入中学习控制策略的深度学习模型。 该模型是一个卷积神经网络，用Q-learing的变种训练，输入为原始像素，输出为估计未来reward的值函数。 我们将我们的方法应用于七个来自街机学习环境的Atari 2600游戏
强化学习：玩转Atari-Pong游戏
qq_41188247的博客
11-14 2863
强化学习：玩转Atari-Pong游戏
DQN+Active Learning
幸福驿站
03-29 381
关于MarkDown公式详细编辑可以参考博客 Initialize replay memory MMM to capacity NNN Initialize action-value function QQQ with random weights for episode = 1,2,...,N1,2,...,N1, 2,...,N do &nbsp;&nbsp;&nbsp;&nb...
深度增强学习（DRL）漫谈 - 从DQN到AlphaGo
热门推荐
世事难料，保持低调
10-10 2万+
深度增强学习（Deep reinforcement learning, DRL）是DeepMind（后被谷歌收购）近几近来重点研究且发扬光大的机器学习算法框架。两篇Nature上的奠基性论文（DQN和AlphaGo）使得DRL这一深度学习（Deep learning, DL）和增强学习（Reinforcement learning, RL）的交叉方向变得炙手可热。再加上多个影响较大的benc...
实现pycharm下pytorch框架下DQN 训练atari游戏tennis
04-08
Sure, I can help you with that! To implement DQN training for Atari games tennis in PyCharm using PyTorch framework, you can follow the steps below: 1. Install necessary packages: You will need to install PyTorch, gym, and opencv-python packages. You can use pip to install them. 2. Import necessary libraries: Import the necessary libraries like torch, numpy, gym, and cv2. 3. Create the environment: Create the environment using gym.make("Tennis-v0") function. 4. Define the model: Define the deep neural network model for the DQN algorithm using PyTorch. 5. Define the replay buffer: Define the replay buffer to store the experiences of the agent. 6. Define the training loop: Define the training loop where you will update the network weights and perform the DQN algorithm. 7. Train the model: Finally, train the model for the desired number of episodes. I hope this helps! Let me know if you have any further questions.

“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
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