FutaAlice的博客

Designing a Learning Environment本节将介绍设计学习环境的一般性建议，概述 ML-Agents Unity SDK 中关与场景设置相关的方面。关于 Agent 设计将在 Designing Agents 章节中专门阐述（包含设计Agent，观测，行为和奖励，为Multi-Agent场景定义团队和模仿学习），不在本节做详细介绍。为了帮助理解 ML-Agents Toolkit 提供的全部功能，建议查阅 API documentation。此外，我们的 example en

Getting Started Guide本指南将讲解在 Unity 中打开其中一个示例工程 ，训练一个Agent，并将训练过的模型嵌入到 Unity 环境中的完整过程。阅读本教程之后，您应该能够训练任何示例环境。如果你不熟悉的 Unity Engine，查看我们的 Background: Unity 章节。此外，如果你不熟悉机器学习，请查看我们的 Background: Machine Learning 页面，以了解简要概述和有用的建议。我们将使用 3D Balance Ball 环境，它包含

Background: Machine Learning鉴于许多 ML-Agents Toolkit 的用户可能没有正式的机器学习背景。本页面提供了一个对机器学习的概述，以帮助开发者更好的理解 ML-Agents Toolkit。然而，我们不打算提供一个完整的机器学习的教程，因为网上有很多优秀的学习资源。机器学习是人工智能的一个分支，专注于从数据中学习自动处理和判断的方法。机器学习算法主要有三类：非监督学习、监督学习和强化学习。每一类算法使用从不同类型的数据进行训练。下面的段落将依次对这三种机

Background: PyTorch正如我们在 Background-Machine 中所讨论的，ML-Agents Toolkit 中提供的许多算法都基于深度学习。更确切地说，ML-Agent Toolkit 的实现基于开源库 PyTorch。在本节中，我们将简要介绍我们在 ML-Agents Toolkit 中所使用的 PyTorch 和 TensorBoard。PyTorchPyTorch 是一个开源库，用于使用 Data Flow Graphs（数据流图，深度学习模型的底层表示）执行计

Background: Unity如果你不熟悉 Unity Engine，我们强烈推荐阅读 Unity Manual 和 Tutorials page。官方的 Roll-a-ball tutorial 也是绝佳的学习资源，可以入门了解 Unity 基本概念：EditorInterfaceSceneGameObjectRigidbodyCameraScriptingPhysicsOrdering of event functions(e.g. FixedUpdate, Update)

Making a New Learning Environment本教程将从头开始创建一个 Unity Environment，以用于训练 Reinforcement Learning（强化学习）Agent。建议先阅读Getting Started，以便理解构建 Environment 用到的原理。[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ZA9IexFG-1637221255733)(images/mlagents-NewTutSplash.png)]在本节示例

首先确定可用 ML-Agents Unity Package 版本，此处笔者用的 Unity 2018查 Unity 文档可知，Unity 2018 可以支持的最高版本是 1.9.1 (此版本支持 Unity 2018 - 2020)ML-Agents 的 ChangeLog 也明确说了 2.0.0 之后的 Unity Package 只支持 Unity 2019 及以上版本查阅 ML-Agents 文档，Release 16版本对应Unity Package 1.9.1和Python Packa

ML-Agents 官方文档翻译（ML-Agent 1.9.1，Unity 2018-2020）最近玩 ML-Agents，发现中文资料大多停留在入门阶段且陈旧，甚至停留在使用 tensorflow 后端（官方版自 Release 13 起就换成 pytorch 后端）的 Release 6 时代。但新版本 Unity 已经不再支持这些远古版本的 ML-Agents。而旧教程引述的 API 和 工程结构又与实际差异较大，故开此坑翻译官方文档。