/ Модель

Характеристики

Лицензия
MIT
Библиотека
pytorch
Опубликована
28 июн 2026

ag-reinforce-gridworld

Обучение с подкреплением

Учебный агент REINFORCE с критиком для изучения и решения задачи балансировки CartPole-v1.

0скачиваний за 30 дней0лайковвеса обновлены28 июн 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

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.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

cy0307/ag-reinforce-gridworld — учебная модель агента обучения с подкреплением, созданная с нуля в рамках Ropedia Academy. Агент применяет градиент политики REINFORCE с оценочной базовой линией и бонусом за энтропию, то есть сочетает актор и критик. Он обучен взаимодействовать со средой Gymnasium CartPole-v1, получая данные из собственных эпизодов, и выбирает одно из двух действий по четырёхмерному непрерывному состоянию. В README приведён пример реализации политики на PyTorch с двумя полносвязными слоями и скрытым слоем из 64 нейронов.

Модель предназначена для обучения и воспроизводимого знакомства с градиентными методами RL, а не для универсального управления: заявленная средняя оценка жадной политики составляет 449,45 за 20 эпизодов при максимуме 500, а среднее по пяти переобучениям — 461,8 ± 76. Чекпойнт решает только CartPole; обучение чувствительно к высокой дисперсии градиентов и требует бонуса за энтропию. Лицензия — MIT.

Сценарии применения

  • изучение алгоритма REINFORCE на CartPole
  • воспроизводимое обучение простого агента управления
  • демонстрация actor-critic с базовой линией ценности
  • сравнение результатов повторных запусков обучения RL

Ограничения

Модель предназначена только для среды CartPole-v1 и не является универсальной политикой управления. Обучение имеет высокую дисперсию, а качество заметно варьируется между запусками; README указывает, что модель не предназначена для производственного использования.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

REINFORCE / actor-critic (CartPole)

A policy-gradient agent with a value baseline + entropy bonus that solves the Gymnasium CartPole-v1 benchmark (greedy return near the 500 maximum).

Trained from scratch in Ropedia Academy — an interactive, bilingual course on embodied & spatial AI. Educational model: small and quick to train; the value is the method and a reproducible pipeline, not a leaderboard score. Try it live in the Ropedia demos Space.

At a glance

Base modelTrained from scratch (random initialization) — no pretrained base model.
Taskreinforcement learning
Training objectiveREINFORCE policy gradient with a value baseline + entropy bonus (actor-critic).
TrackAG · Agents & RL
NotebookOpen In Colab

Dataset

  • Name: Gymnasium CartPole-v1
  • Type: standard RL benchmark environment (no fixed dataset)
  • Size / stats: 4-D continuous state, 2 discrete actions; reward +1/step, episode cap 500; agent learns from its own rollouts
  • Split: online RL; greedy eval over 20 episodes
  • Source: Gymnasium (Farama Foundation) CartPole-v1

Training config

Actor-critic; Adam (lr 3e-3), 600 episodes, γ=0.99, entropy 0.01, value baseline. EPISODES env-overridable.

Evaluation results

metricvaluemeaning
return (final)452.7
greedy_eval449.45mean return of the greedy policy over 20 CartPole episodes (max 500)

figure

Robustness (mean ± std over 5 seeds)

Single-run numbers above are one seed; this is the distribution over independent re-trains (honest variance — no cherry-picking).

metricmean ± std
greedy_eval461.8 ± 76

seeds

Inference example

import torch, torch.nn as nn
policy = nn.Sequential(nn.Linear(4,64), nn.Tanh(), nn.Linear(64,2))
policy.load_state_dict(torch.load("policy.pt", map_location="cpu")); policy.eval()
# CartPole state s = [x, x_dot, theta, theta_dot]
# action = int(policy(torch.tensor(s, dtype=torch.float32)).argmax())   # 0 = push left, 1 = push right

Limitations

Educational scale. Trained quickly on CPU on small or synthetic data, so absolute numbers are not competitive with production systems — the value is the method and a reproducible pipeline. No large-scale data, no hyperparameter sweep, and no multi-seed variance is reported. Not for production use.

Solves CartPole only — not a general control policy; on-policy and high-variance.

Failure cases

High-variance gradients; a length-1 episode gives a NaN advantage (std 0) — fixed with unbiased=False + grad clipping; stalls without the entropy bonus.

Reproduce / train your own

One click: open the notebook in Colab → Runtime → GPU → Run all, then run its Publish to the Hugging Face Hub cell.

Open In Colab

From a shell:

git clone https://github.com/ChaoYue0307/ropedia-academy.git && cd ropedia-academy
pip install torch numpy matplotlib scikit-learn scikit-image gymnasium
jupyter nbconvert --to notebook --execute notebooks/training/AG_reinforce_gridworld.ipynb --output run.ipynb
# optional: override training length, e.g.  STEPS=2000  (or EPISODES=600)  before running

Files

  • figure.png
  • metrics.json
  • policy.pt
  • seeds.png

License

Code & weights: MIT (this repository) — educational use encouraged.
Environment: Gymnasium (Farama Foundation) — MIT license.

Citation

If you use this model or the course materials, please cite:

@misc{ropedia_academy,
  title  = {Ropedia Academy: an interactive course on embodied & spatial AI},
  author = {Ropedia Academy},
  year   = {2026},
  howpublished = {\url{https://chaoyue0307.github.io/ropedia-academy/}}
}

Method / original work: Williams, REINFORCE, 1992; Sutton et al., Policy Gradient Methods, NeurIPS 1999; Brockman et al., OpenAI Gym, 2016.

Related assets


Part of the Ropedia Academy trained-model collection. Contributions & issues welcome on GitHub.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · pytorch

Нельзя запустить

RL-агенты не запускаются как сервис инференса.

Ревизия весов
c18e4f7

0 моделей