gym中 MultiDiscrete用法

最新推荐文章于 2024-08-31 10:30:00 发布
最新推荐文章于 2024-08-31 10:30:00 发布
阅读量3.9k 收藏 8
点赞数 3
分类专栏： python 文章标签： 机器学习
本博客原创文章未经本人许可，不可用于商业用途
本文链接：https://blog.youkuaiyun.com/wyy74389/article/details/115468993
版权

MultiDiscrete用于多维动作空间定义，例如：
dim=10, dimm=10
space = MultiDiscrete([dim, dimm])
表示的就是动作空间里面有两个位置需要你指定动作。第一个位置有10个选择，第二个位置也有10个选择。
print(space.sample())
就会随机选择两个数，由此表示对应的动作
在这里插入图片描述
或者在这里插入图片描述

【强化学习系列】Gym库使用——创建自己的强化学习环境1：单一环境创建测试+简单环境可视化
qq_58718853的博客
09-12 2517
本文基于gym官方文档尝试创建自己的单一强化学习环境
DI-engine强化学习入门（十一）——多重离散动作空间示例代码分析
weixin_68094467的博客
05-03 1028
在传统的强化学习中，通常假设环境的动作空间是离散的，即代理可以选择的动作是有限且离散的。在这个示例中，md_space是一个二维的动作空间，第一个维度有2个动作，第二个维度有3个动作，总共有6个动作。接着，代码使用断言语句来验证环境的动作空间是否为离散动作空间，并检查动作空间的范围是否为0到5（共6个动作）。1) Arrow Keys（方向键）：离散5个动作，包括NOOP[0]，UP[1]，RIGHT[2]，DOWN[3]，LEFT[4]。这个动作空间的参数范围是0到1，最小值为0，最大值为1。
gym中的discrete类、box类和multidiscrete类
weixin_42301220的博客
11-20 8428
gym中的discrete类、box类和multidiscrete类 参考资料： 深度解析OPENAI-MADDPG 解读gym中的action_space和observation_space openai /multiagent-particle-envs 1.discrete类 Discrete类对应于一维离散空间 要定义一个Discrete类的空间只需要一个参数n就可以了 discrete space允许固定范围的非负数 2.box类 box类对应于多维连续空间 Box空间可以定义多维空
gym自定义环境
qq_18402417的博客
08-18 1161
例如：如果您希望描述一个由RGB三个颜色通道组成的64x64的图像，那么可以创建一个Box，如Box(low=0, high=255, shape=(64, 64, 3), dtype=np.uint8)。例如：当您希望描述一个有两个离散空间的环境，其中一个离散空间有 5 个动作，另一个离散空间有 2 个动作时，可以创建一个 MultiDiscrete([5, 2])。例如：如果一个环境有四个离散的动作，您可以创建一个空间如Discrete(4)。：包含 {0, 1, ..., n-1} 的离散空间。
解读gym中的action_space和observation_space
热门推荐
JohnJim的博客
05-15 2万+
做强化学习的相关任务时通常需要获取action和observation的数目，但是单智能体和多智能体环境下的action_space等其实是不同的。 先看单智能体环境， print(env.action_space) print(env.observation_space) 打印相关的space，输出如下： Discrete(19) Box(115,) 其中Discrete(19)是action_space，19代表有19个action，它其实是一个类，并且继承一个Space类，所以不可能用n_acti
强化学习 —— gym
11-09 2001
0. gym 下的数据结构 Discrete： gym.spaces.discrete.Discrete env.action_sample 的返回值就是 Discrete 类型 Discrete(n)：{0, 1, 2, 3, n-1}，表示的是正整数的离散空间； 成员函数： sample()：离散值空间中进行采样； contains(k)：离散值空间中是否包含 k； 1. 认识...
Gym模块学习笔记（Ⅰ）——Rita_Aloha
Rita_Aloha的博客
05-11 1797
gym学习笔记 Environment Creation - Gym Documentationhttps://www.gymlibrary.ml/content/environment_creation/
使用gym搭建自定义（以二维迷宫为例）环境并实现强化学习 python
weixin_66540163的博客
04-25 2971
直接上代码，在我们自定义的环境myenv/myenv.py中写入（详细讲解在6）""""""""""""return {canvas,),canvas,canvas,0,width=3,canvas,0,width=3,
【强化学习】demo系列——基于gym自定义RL环境
liuyider的博客
03-29 3708
gym是许多强化学习框架都支持了一种常见RL环境规范，实现简单，需要重写的api很少也比较通用。本文旨在给出一个简单的基于gym的自定义单智能体强化学习环境demo写好了自定义的RL环境后，还需要注册到安装好的gym库中，不然导入的时候是没有办法成功的。首先需要在gym/envs文件目录下创建一个文件夹用于保存你的RL环境（），一般路径为./anaconda3/envs/RL/lib/python3.8/site-packages/gymnasium/envs。在保存RL环境的文件夹下创建“init。
Gym入门&自定义环境操作
lyx369639的博客
09-29 1万+
gym使用及自定义环境
使用gym.spaces创建多维离散状态空间
07-11
要使用 gym.spaces 创建多维离散状态空间，你可以使用 MultiDiscrete 类。下面是一个示例代码： ```python import gym from gym import spaces # 定义一个多维离散状态空间，每个维度的取值范围为[0, 9] state_...
强化学习自定义环境基础知识
最新发布
weixin_46246346的博客
08-31 1225
gym 指南解读
Stable-baselines3的基本原理与使用-1
Nemo的博客
01-14 1万+
stable_baselines3的设计原理学习-1
Stable Baselines/用户向导/RL算法
漫步量化
07-29 1747
Stable Baselines官方文档中文版 Github 优快云 尝试翻译官方文档，水平有限，如有错误万望指正 下面这个表格展示了stable baselines项目中采用的所有RL算法及其重要特征：迭代策略、离散/连续行动、多线程 Name Refactored [1] Recurrent Box Discrete Multi Processing A2C ✔️ ✔️ ...
Batch-Constrained deep Q- Learning(BCQ)
bbbeoy的专栏
10-11 2044
论文全称：Off-Policy Deep Reinforcement Learning Without Exploration (Scott Fujimoto, David Meger, Doina Precup) 原文传送门 https://arxiv.org/pdf/1812.02900​arxiv.org 简介 本文其实不算是一篇Exploration的文章，但文章题目中的Without Exploration还是吸引到我了。 本文解决的问题是Batch Reinforcement L.
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值