just-bench-it 0.1.9

A simple benchmarking tool for RL algorithms on Atari games

Just Bench It: RL Algorithm Benchmarking Tool

这个项目提供了一个简单的工具，用于对强化学习（RL）算法在Atari游戏上进行基准测试。 WEBSITE: https://justbechit.github.io/rl_ladder/

安装

PYPI

1. 安装：

   pip install just-bench-it
   

Build from source

1. 克隆这个仓库：

   git clone https://github.com/your_username/just_bench_it.git
   cd just_bench_it
   

2. 安装依赖：

   pip install -e .
   

使用方法

1. 创建你的RL agent类，并使用@benchmark装饰器。

2. 在你的agent类中实现以下方法：

   • set_env_info(self, env_info): 设置环境信息
   • act(self, state): 根据当前状态选择动作
   • update(self, state, action, reward, next_state, done): 更新agent的内部状态或模型

3. 运行你的脚本来执行基准测试。

示例

这里有一个DQN agent的示例实现：

from just_bench_it import benchmark

@benchmark(pretrained=False, train_episodes=1000, eval_episodes=100)
class DQNAgent:
    def __init__(self):
        # 初始化你的DQN agent
        pass

    def set_env_info(self, env_info):
        # 设置环境信息： bench_it 会提供当前动作空间和观察空间
        #         input_shape = env_info['observation_space'].shape
        #         output_dim = env_info['action_space'].n
        #  不同的环境其输入可能不同，确保您的算法能够应对不同环境
        pass

    def act(self, state):
        # 根据状态选择动作
        pass

    def update(self, state, action, reward, next_state, done):
        # 更新agent
        pass

if __name__ == "__main__":
    agent = DQNAgent()
    results = agent.bench()
    print(results)

自定义

你可以通过修改@benchmark装饰器的参数来自定义基准测试：

• pretrained: 是否使用预训练模型（默认为False）
• train_episodes: 训练的回合数（默认为1000）
• eval_episodes: 评估的回合数（默认为100）

结果

基准测试的结果会自动发布为GitHub issue，包含每个环境的平均得分和其他相关信息。

贡献

欢迎提交问题报告和拉取请求。对于重大更改，请先开issue讨论您想要更改的内容。

许可证

MIT