stable_baselines快速入门

最新推荐文章于 2025-06-09 09:22:11 发布

原创最新推荐文章于 2025-06-09 09:22:11 发布 · 3.2k 阅读

10 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #人工智能 #机器学习

强化学习专栏收录该内容

16 篇文章

订阅专栏

该博客介绍了OpenAI的强化学习库baselines，它提供了一套快速配置强化学习算法的组件。文章详细讲解了如何安装库，以及BaseRLClass的基本参数，如policy、env等。通过一个示例展示了如何使用stable-baselines的DQN算法训练和运行CartPole-v0环境的倒立摆任务。在训练完成后，模型被保存以便后续使用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

0 简介

baselines是OpenAI推出的一套强化学习算法组件，用于快速配置强化学习算法，对入门者比较友好

1 安装

pip install stable-baselines

2 参数介绍

Base RL Class

common interface for all the RL algorithms

class stable_baselines.common.base_class.BaseRLModel(policy,env,verbos=0,*,requires_vec_env,policy_base,policy_kwargs=None,seed=None,n_cpu_tf_sess=None)

The base RL model
Parameters:

      policy - ( BasePolicy )Policy object
      policy: 策略模型选择，用于建立状态/状态-动作对和策略之间的联系，底层是多层感知机或卷积网络。
      env:   [Gym environment] The environment to learn from [if registered in Gym, can be str. Can be None for loading trained models]
      env：
       必要方法：step(action)、reset()、render()
       必要元素：action_space、observation_space

 step(action):仿真的步进，如何接受一个action然后进行一步仿真
 reset():重置
 render():显示
 action_space:连续的/离散的。比如离散的，东西南北四个方向。比如连续的，选择一个区间产生一个数字，作为他的一个运动步长。
 observation_space也是一样的，比如机器人右6个关节，他的状态就用他的6个位置和6个速度来表示。这个速度和位置都有一个上下线的范围。这个范围就可以作为他的observation_space

满足上述5个要素的存在的话，这个环境就可以传送到stable-baselines里面进行下一步的训练了

应用

通过stable_baselines建立DQN框架，训练并运行倒立摆（CartPole-v0）

from stable_baselines import DQN
from stable_baselines.common.evaluation import evaluate_policy
import gym
import time

env = gym.make('CartPole-v0')  # 传入倒立摆
TRAIN = 0

if TRAIN: # 训练的部分
    model = DQN('MlpPolicy', env, learning_rate=1e-3, prioritized_replay=True, verbose=1) # 属于一个可接受离散的这样的一个网络
    # MlpPolicy，多层感知机或者神经网络的一个策略
    # env，传入的一个环境
    # 其他的一些参数，到这个文件夹下面去看一下，不想细说了，每一个都有一个详细的解释
    model.learn(total_timesteps=int(1e5)) # 开始训练，直接用model.learn就可以了，这个learn中也会涉及一些参数
    model.save("dqn_cartpole") #训练之后呢，就可以保存这样的一个模型 
    del model #训练结束后，这个模型就用不到了，就可以删掉了

else: # 演示的部分
    model = DQN.load("dqn_cartpole", env) # 调用已经训练好的模型，从神经网络中调用
    mean_reward, std_reward = evaluate_policy(model, model.get_env(), n_eval_episodes=10)
    obs = env.reset() # 状态重置
    for i in range(1000):
        action, _states = model.predict(obs) # 将当前的状态传入，告诉我们会做出什么样的动作。
        obs, rewards, done, info = env.step(action)# 返回一个新的状态
        env.render() # 做一个显示
        time.sleep(2) # for showing render()