Windows环境下配置深度强化学习环境玩Atari游戏

最新推荐文章于 2025-12-11 08:58:14 发布

原创

最新推荐文章于 2025-12-11 08:58:14 发布 · 2.7k 阅读

9 ·

CC 4.0 BY-SA版权

文章标签：

#python #anaconda #atari

Windows下配置深度强化学习Atari环境（gym）

1.在anaconda命令行下创建新的环境

conda create -n 环境名 python=3.8.5 #可以定义自己的环境名

2.激活环境

activate 环境名

补充：

如果需要cuda加速需要安装cuda和cudnn
安装cuda：
查看自己电脑的显卡版本，去https://developer.nvidia.com/cuda-toolkit-archive网站找到自己显卡对应的cuda版本下载，
下载完成后安装在默认路径下（否则安装完成后会看不到自己设置的文件夹）
Win+R,输入cmd.打开命令行，输入nvcc -V 出现版本号则安装成功
安装cudnn：
进官网https://developer.nvidia.com/rdp/cudnn-download，依据cuda版本选择相应cuDNN版本
下载完成后是一个压缩包，将其解压缩后的三个文件夹复制到cuda安装路径上
Win+R,输入cmd.打开命令行，输入nvidia-smi 成功输出则安装成功

3.安装tensorflow环境

conda install -c anaconda tensorflow-gpu

根据自己的需要安装GPU或者CPU版本

4.安装keras

conda install -c anaconda keras-gpu

根据自己的需要安装GPU或者CPU版本

5.安装pytorch

这里最好能够去pytorch官网（https://pytorch.org/）查看自己前面安装版本对应的pytorch安装命令（对应GPU、CPU及CUDA版本不同安装命令有区别）

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

libenfan

关注关注

1
点赞
踩
9

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
打赏
打赏
打赏举报

举报

深度强化学习入坑指南 Updating

joel的博客

06-25

780

正式入坑了，深度强化学习，Deep Reinforcement Learning 愿景是实现通用人工智能在校期间断断续续学习过一些深度学习相关的内容，强化学习相对来说薄弱一些，不管是理论还是实践，未来一年要恶补了。任务一通读ICML DRL最新的论文，对该领域发展有个大概印象掐指一算，19年还剩下6个月，至少得每周一篇了，第一遍给自己的目标是了解为主，如果有兴趣或者用到了再做深入阅读...

Gym安装Atari环境（Windows，Linux适用）

热门推荐

丹丹的后花园

04-07

1万+

Gym只提供了一些基础的环境，要想玩街机游戏，还需要有Atari的支持。在官方文档上，Atari环境安装只需要一条命令，但是在安装过程中遇到了不少的典型错误（在win10、Mac、Linux上安装全都遇到了😂），最后折腾了两三天才解决，因此在这里也是准备用一篇文章来记录下安装过程，也希望这篇博客能解决你的问题，节省你的时间。全文非常细致的分析了遇到的所有错误，一定对你有所帮助！...

参与评论您还未登录，请先登录后发表或查看评论

深度强化学习环境配置Deep Reinforcement Learning Hands On

weixin_43727885的博客

04-08

715

创建虚拟环境 conda create -n py364 python=3.6.4 激活环境 conda activate py364 升级一下pip python -m pip install --upgrade pip 检查是否创建成功，输入python (py364) C:\Users\wq>python Python 3.6.4 |Anaconda, Inc.| (default, Mar 12 2018, 20:20:50) [MSC v.1900 64 bit (AMD64)] on

windows下深度强化学习环境搭建

taitoushiyun的博客

04-16

2630

安装gym pip install gym 安装gym下atari_py pip install --no-index -f https://github.com/Kojoley/atari-py/releases atari_py 安装gym下box2D_py 先到 http://www.swig.org/download.html 中下载 swigwin-3.0.12 下载完后，解压缩 d...

搭建深度强化学习环境：WSL+Cmder+gym+tensorflow

weixin_41526529的博客

05-17

4128

一安装windows bash +cmder二 anaconda, tensorflow,gym三解决没有图像输出的问题，参考https://github.com/Microsoft/WSL/issues/2293四测试import gymenv = gym.make('SpaceInvaders-v0')env.reset()for _ in range(1000): env.st...

【笔记】深度强化学习-课程环境配置

JHLHONORIFI的博客

02-29

1707

课程笔记和一些准备

强化学习 –baseline项目之gym中的Atari游戏的环境重写

01-06

gym中集成的atari游戏可用于DQN训练，但是操作还不够方便，于是baseline中专门对gym的环境重写，以更好地适应dqn的训练从源码中可以看出，只需要重写两个函数 reset（）和step() ，由于render（）没有被重写，所以画面就没有被显示出来了 1.NoopResetEnv（）函数，功能：前30帧画面什么都不做，跳过。这有利于增加初始画面的随机性，不容易陷入过拟合 class NoopResetEnv(gym.Wrapper): def __init__(self, env, noop_max=30): Sample initial

强化学习：Atari游戏中的策略梯度与双深度Q学习

# 强化学习：Atari游戏中的策略梯度与双深度Q学习 ## 1. 策略梯度代理在Breakout游戏中的测试 ### 1.1 训练与可视化在策略梯度训练中，通过在`policy_pong()`函数中开启`render=True`参数，可以看到游戏窗口的图形...

44、深度强化学习的实现技巧与常见算法

yellow的专栏

09-01

本博客详细介绍了深度强化学习的实现技巧与常见算法。内容涵盖了训练与调试的关键技巧，如策略初始化、探针添加、随机种子的应用、CPU与GPU资源的平衡等。同时，总结了多种常见的强化学习算法，包括基于离散和连续动作空间的算法，并分析了其特点与适用场景。此外，还提供了训练流程、资源平衡的具体操作步骤以及实践建议。适合希望深入了解深度强化学习的读者参考学习。

tianshou + OpenAI GYM 强化学习模型雅达利游戏环境（附完整代码）

weixin_39986534的博客

06-18

4713

目录啊环境安装tianshou + pytorch 安装gym + atari环境安装其他:NOTE1 env.render() 执行出错NOTE2 windows 用户安装问题 module could not be found' when running:Reference:輸入為 ARM 類型的雅達利遊戲強化學習代码实现官网 Deep Q learning 样例学习修改 Deep Q learning 的样例測試訓練結果环境安装 tianshou + pytorch 安装 1、首先安装tiansho

【深度强化学习入门篇】（一）安装配置ViZDoom环境

小川儿的博客

01-24

1492

一、预装环境： Ubuntu16.04 cmake2.8及以上 gcc4.9及以上 python2.7+python3 【注】: xxx --version 命令即可查看软件版本(xxx为cmake or gcc) 二、安装依赖： #Zdoom dependencies sudo ap...

AI gym atari程序环境

03-26

此代码是人工智能的gym中的运行自动玩游戏的环境的程序代码

Atari-environment-Alien_v0:Atari游戏环境的描述性代码（专门针对基于情感的外星人v0强化学习算法）

04-07

目录列出了可在其上运行算法的Gym环境。如何创建自己的健身环境。通用包装的列出的环境。这些可以对代理与环境之间交换的数据执行预处理/后处理。包含与Gym环境兼容的代理列表。代理有助于针对环境运行算法。是其他增值工具和实用程序的集合。这些内容可以是任何东西，从一个便捷的lib到一系列视频教程或新的语言绑定。

深度强化学习(DRL 2) - 强化学习环境Gym

unber的博客

10-09

243

钟摆开始是直立的，我们的目的是防止它倒下来。当杆子与垂直线的夹角超过15度时，或者推车从中心移出2.4个单位以上时，一局结束。这些任务使用了MuJoCo物理引擎，该引擎设计用于快速准确的机器人仿真。这个游戏的奖励是木棒每保持平衡1个时间步，就得到1分。当杆子与垂直线的夹角超过15度时，或者推车从中心移出2.4个单位以上时，一局游戏结束。有实战，有论文，有习题，帮你从入门到精通。就是说输出的值是：[车的位置，车的速度，杆子的角度，杆子顶端的速度]RL方面学习框架和平台很多，比较出名的有DeepMind的。

DI-engine强化学习入门（三）DI-ZOO强化学习环境搭建与示例运行——Atari

古月居

05-26

994

DI-zoo 是 DI-engine 框架的一部分，它提供了一系列预配置的算法和环境配置，可以方便地复现和基准测试各种经典的深度强化学习算法。DI-zoo 中包含了多种针对不同任务和环境的配置文件和预训练模型，其中就包括了对 Atari 游戏的支持。在深度强化学习中，环境是智能体与之交互学习的对象。在这里，我们讨论的是如何将原始的Atari游戏环境转换为适合强化学习算法处理的形式。在强化学习领域，提到Atari通常指的是Atari 2600游戏的一系列环境，这些环境是用于开发和测试强化学习算法的标准平台。

[RL] 使用 dockerfile 构建 atari 环境

weixin_43742643的博客

09-17

316

强化学习需要 atari 环境，使用 dockerfile 快速构建环境。cuda11.2.2+ubuntu20.04+python3.8。 // 下载 ROMS wget http://www.atarimania.com/roms/Roms.rar unrar -e Roms.rar unzip ROMS.zip // 创建文件夹 atari mkdir atari && cd atari // 把 ROMS/ 复制过来 cp -r ../ROMS/ . // 编辑 dockerfile

linux安装atari环境实录

Make AI，Not War

12-08

2924

linux安装atari环境实录第一次尝试（失败）1.创建新环境2.cmake配置2.1 安装cmake2.2 安装zlib3.安装gym[atari]遇到的问题1.apt-get2.pip3.numpy版本不对的问题4.python版本不对的问题第二次尝试（成功版）1.创建新环境（python3.7）2.安装配置cmake（第一次已经完成，这里跳过）3.在新环境下安装numpy4.安装gym[atari]5.安装新版atari_py下载成功！！！！！第一次尝试（失败） 1.创建新环境命令：conda

深度强化学习实战：玩转 Atari 游戏

2301_76277481的博客

05-16

1446

深度强化学习（Deep Reinforcement Learning，简称 DRL）是深度学习与强化学习相结合的产物。它的核心思想是让智能体在环境中通过不断试错，根据环境反馈的奖励信号调整自身策略，以达到长期累积奖励最大化的目标。智能体（Agent）：在环境中采取行动并接收反馈的实体，它通过学习策略来决定在不同状态下应采取的行动。环境（Environment）：智能体所处的外部世界，它接收智能体的行动并返回新的状态和奖励。奖励（Reward）

javascript 性能优化实战：异步和延迟加载

最新发布

小伙伴们全都Lucky！

12-11

554

本文探讨JavaScript性能优化中的异步加载与延迟加载技术。异步加载通过async/defer属性或动态创建script元素避免阻塞渲染；延迟加载则利用IntersectionObserver API按需加载非关键资源。二者结合可显著提升性能：异步加载核心脚本确保交互流畅，延迟加载减少初始请求量。实践表明，该方案能降低DOMContentLoaded时间30%以上，减少初始加载量90%，但需注意async脚本的执行顺序问题和延迟加载的回退处理。文中提供了完整的代码实现示例。

强化学习搭建环境windows

01-21

### 设置Windows上的强化学习开发环境 #### 配置Windows Subsystem for Linux (WSL 2) 为了在 Windows 上创建一个适合于深度学习和强化学习的开发环境，建议先安装 WSL 2。这允许用户在一个轻量级的虚拟机中运行完整的Linux内核，从而能够访问大量的命令行工具以及软件包管理器，如 `apt` 和 `yum`。对于 Windows 用户来说，在启用此功能之前，可能还需要开启一些额外的功能选项，并确保已更新至最新版本的操作系统[^1]： ```bash wsl --install -d Ubuntu ``` 这条命令会自动完成大部分工作，包括下载最新的Ubuntu镜像文件并将其设置为默认分发版。如果希望指定其他发行版，则只需更改 `-d` 参数后的名称即可。 #### 安装Python及相关依赖项一旦有了可用的Linux子系统之后，下一步就是准备编程所需的解释器和其他必要的组件。打开新安装好的终端窗口，执行如下操作来获取最新状态下的 Python 版本及其科学计算栈： ```bash sudo apt update && sudo apt upgrade -y sudo apt install python3-pip python3-dev build-essential libssl-dev libffi-dev python3-setuptools pip3 install --upgrade pip setuptools wheel virtualenv ``` 这些指令不仅限于此；具体需求取决于个人项目的要求。例如，某些情况下还可能会涉及到图形界面的支持库或是特定硬件加速驱动程序等。 #### 创建隔离的工作空间考虑到不同项目的兼容性和安全性问题，强烈建议每一个独立的任务都拥有自己专属的空间来进行实验和发展。借助 Virtualenv 工具可以轻松做到这一点： ```bash virtualenv venv source ./venv/bin/activate ``` 每次启动新的shell session时都需要重复激活过程，不过也可以考虑把上述两行加入到 `.bashrc` 文件里实现自动化加载效果。 #### 安装PyTorch及其他必要库现在进入到实际业务逻辑部分——即引入核心框架和支持模块。这里以 PyTorch 为例说明怎样快速建立起一套适用于大多数场景的基础架构： ```bash pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117 ``` 注意 URL 中包含了 CUDA 的版本号 (`cu117`) ，应根据实际情况调整该参数以匹配本地 GPU 设备情况。如果不打算利用 NVIDIA 显卡资源的话则可以直接去掉这部分附加路径。 #### 安装OpenAI Gym 最后一步是要集成 OpenAI Gym 库，它提供了丰富的测试平台让开发者们验证自己的模型性能。同样地，通过简单的 pip 命令就能搞定一切： ```bash pip install gym[atari,accept-rom-license] ``` 这个扩展形式意味着除了基本功能外还会一并拉取 Atari 游戏模拟所需的各种素材资料。当然也可以单独挑选感兴趣的部分进行定制化部署。