/ Модель

Характеристики

Опубликована
23 июл 2026

Reinforce-Cartpole-1

Обучение с подкреплением

Обученная политика REINFORCE на PyTorch выбирает движения тележки в CartPole-v1, чтобы удерживать шест вертикально.

0скачиваний за 30 дней0лайковвеса обновлены23 июл 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

Это обученная политика REINFORCE для среды CartPole-v1, опубликованная kaleido-jean в рамках четвёртого раздела курса Hugging Face Deep RL. Модель реализована с нуля на PyTorch и представляет собой небольшую полносвязную нейронную сеть: Linear(4→16) с ReLU, затем Linear(16→2) и Softmax. На каждом шаге она принимает четыре числовых наблюдения о положении и скорости тележки и угле и угловой скорости шеста, после чего выбирает действие — толкнуть тележку влево или вправо.

Политика предназначена для управления тележкой в CartPole-v1, где нужно удерживать шест вертикально. В описанных автором десяти оценочных эпизодах она достигла среднего вознаграждения 500 из 500. Это узкоспециализированный учебный чекпойнт для указанной среды, а не универсальная модель управления. Веса сохранены как сериализованная PyTorch-модель model.pt; для загрузки требуется класс CartPolePolicy из кода обучения репозитория. Лицензия в доступных сведениях не указана.

Сценарии применения

  • удержание шеста вертикально в CartPole-v1
  • выбор направления толчка тележки по состоянию среды
  • изучение работы алгоритма REINFORCE на примере управления
  • демонстрация оценки политики в эпизодах CartPole

Ограничения

Политика обучена для CartPole-v1 и требует класса CartPolePolicy из кода репозитория для загрузки сериализованных весов. Результат 500 из 500 относится к десяти оценочным эпизодам этой среды и не подтверждает работу в других средах.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Reinforce Agent playing CartPole-v1

This is a trained model of a Reinforce (Monte-Carlo policy gradient) agent playing CartPole-v1. It was trained with a custom-from-scratch REINFORCE implementation (not Stable-Baselines3) as part of Unit 4 of the Hugging Face Deep RL Course.

The environment

CartPole-v1 is the classic pole-balancing control task: a pole is attached by an un-actuated joint to a cart that moves along a frictionless track. The agent applies a force (left / right) each step and earns +1 reward per timestep the pole stays upright. An episode ends when the pole falls past ±12°, the cart leaves the track, or 500 steps are reached — so 500 is the maximum achievable return.

  • Observation space (4): cart position, cart velocity, pole angle, pole angular velocity
  • Action space (2): push cart left / right

Results

MetricValue
Mean reward (10 eval episodes)500.00 +/- 0.00
Max possible return500

The agent reaches and holds the optimal policy (perfect balance for the full episode length).

Policy architecture

A small MLP outputting a categorical action distribution:

Linear(4 -> 16) -> ReLU -> Linear(16 -> 2) -> Softmax

Training hyperparameters

HyperparameterValue
env_idCartPole-v1
h_size16
n_training_episodes1000
n_evaluation_episodes10
max_t1000
gamma0.99
lr0.01
optimizerAdam

Usage

The model is a pickled PyTorch policy (model.pt). Loading it requires the CartPolePolicy class from this repo's training code (policies.py).

import torch
from huggingface_hub import hf_hub_download
from policies import CartPolePolicy  # from the Unit 4 training code

model_path = hf_hub_download(repo_id="kaleido-jean/Reinforce-Cartpole-1", filename="model.pt")
policy = torch.load(model_path, weights_only=False)
policy.eval()

import gym
env = gym.make("CartPole-v1")
state, _ = env.reset()
done = False
while not done:
    action, _ = policy.act(state, "cpu")
    state, reward, terminated, truncated, _ = env.step(action)
    done = terminated or truncated

Reproduce

python train.py --task cartpole --hf

To learn to use this model and train your own, check Unit 4 of the Deep Reinforcement Learning Course: https://huggingface.co/deep-rl-course/unit4/introduction

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

RL-агенты не запускаются как сервис инференса.

Ревизия весов
61ad1a5

0 моделей