Обученный агент REINFORCE на PyTorch для выбора действий в среде Pixelcopter-PLE-v0.
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.
В подключённых источниках результатов для этой модели пока нет.
Описание составлено по карточке модели и метаданным Hugging Face
Это обученная с нуля на PyTorch модель агента REINFORCE (градиент политики Монте-Карло), созданная в рамках четвёртого раздела курса Hugging Face Deep RL. Агент предназначен для игры Pixelcopter-PLE-v0: он получает наблюдения из среды и выбирает действия согласно выученной политике.
В README приведена средняя награда 46,40 ± 37,34 за 10 оценочных эпизодов. Модель подходит для экспериментов и обучения с подкреплением в игровой среде; по указанным результатам качество заметно варьируется между эпизодами. Репозиторий содержит веса PyTorch. Лицензия и дополнительные сведения о формате наблюдений и действий в предоставленных данных не описаны.
В README результат оценки основан на 10 эпизодах и имеет высокое стандартное отклонение: 46,40 ± 37,34. Лицензия и подробности о совместимом интерфейсе среды в предоставленных данных отсутствуют.
README от автора на Hugging Face, как он его опубликовал
This is a trained model of a REINFORCE (Monte Carlo Policy Gradient) agent playing Pixelcopter-PLE-v0, implemented from scratch with PyTorch, as part of the Hugging Face Deep RL Course, Unit 4.
Mean reward over 10 evaluation episodes: 46.40 +/- 37.34
h_size: 64
n_training_episodes: 42000
n_evaluation_episodes: 10
max_t: 3000
gamma: 0.99
lr: 0.0001
env_id: Pixelcopter-PLE-v0
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм
RL-агенты не запускаются как сервис инференса.