/ Модель

Характеристики

Опубликована
23 июл 2026

Reinforce-Pixelcopter-1

Обучение с подкреплением

Обученная на PyTorch политика REINFORCE управляет вертолётом в игре Pixelcopter-PLE-v0 по векторным наблюдениям состояния.

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 игры Pixelcopter-PLE-v0 из PyGame Learning Environment. Модель создана автором репозитория с нуля в рамках Unit 4 курса Hugging Face Deep RL; она использует метод градиента политики Монте-Карло и реализована на PyTorch.

Политика принимает вектор из 7 числовых характеристик состояния игры и выдаёт распределение вероятностей для двух действий: включить двигатель и подняться либо ничего не делать. Архитектура — MLP: слои 7→64→128→2 с ReLU и Softmax. В десяти оценочных эпизодах средняя награда составила 73,00 ± 47,63; высокая вариативность связана с долгими эпизодами и шумной динамикой игры.

Модель предназначена для управления вертолётом в Pixelcopter и обучения/демонстрации алгоритмов обучения с подкреплением. Для загрузки pickled-файла model.pt требуются класс PixelCopterPolicy из кода обучения репозитория и библиотека gym_pygame. Лицензия в предоставленных данных не указана.

Сценарии применения

  • управление вертолётом в Pixelcopter-PLE-v0
  • выбор действия «подняться» или «ничего не делать» в игровой среде
  • демонстрация градиентного метода Монте-Карло для обучения с подкреплением

Ограничения

Оценочная награда сильно варьируется между эпизодами (73,00 ± 47,63), и агент может рано потерпеть крушение. Для загрузки нужны класс PixelCopterPolicy из обучающего кода и gym_pygame.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Reinforce Agent playing Pixelcopter-PLE-v0

This is a trained model of a Reinforce (Monte-Carlo policy gradient) agent playing Pixelcopter-PLE-v0 (a Flappy-Bird-style helicopter game from the PyGame Learning Environment). 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

The agent flies a helicopter through a scrolling cavern, avoiding the ceiling, the floor, and block obstacles. Each step it chooses to flap up or do nothing; it earns a small positive reward for progressing and a negative reward on crash. Episodes are long-horizon and rewards are sparse/noisy, which makes vanilla REINFORCE notably harder to train here than on CartPole.

  • Observation space (7): player y-position and velocity, plus distances/positions to the next gate and cavern walls
  • Action space (2): flap up / do nothing

Results

MetricValue
Mean reward (10 eval episodes)73.00 +/- 47.63
Best training rolling-avg (100-ep)61.28 @ episode 46617

The high std reflects Pixelcopter's noisy, long-horizon dynamics — some runs go far, others crash early.

Policy architecture

An MLP outputting a categorical action distribution:

Linear(7 -> 64) -> ReLU -> Linear(64 -> 128) -> ReLU -> Linear(128 -> 2) -> Softmax

Training hyperparameters

HyperparameterValue
env_idPixelcopter-PLE-v0
h_size64
n_training_episodes50000
n_evaluation_episodes10
max_t10000
gamma0.99
lr0.0001
optimizerAdam

Note: this legacy PLE/gym_pygame environment uses the old Gym step API, so training wraps it with gym.make(..., apply_api_compatibility=True).

Usage

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

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

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

import gym, gym_pygame  # noqa: F401
env = gym.make("Pixelcopter-PLE-v0", apply_api_compatibility=True)
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 pixelcopter --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
558f784

0 моделей