Closed VaninaY closed 1 year ago
项目地址:https://github.com/opendilab/DI-engine
类别:Python、机器学习
项目标题:DI-engine 是一个基于 PyTorch 和 JAX 的通用决策智能引擎。
项目描述: DI-engine 以 python-first 和 asynchronous-native 为核心原则,设计了任务和中间件抽象层,从而模块化地集成了决策 AI 问题中的环境、策略和模型等核心概念。 基于上述这些机制,DI-engine 拥有性能优越,效率高效,文档与单元测试条理清晰的特点,系统性地支持了 各种深度强化学习 (Deep Reinforcement Learning,DRL) 算法 :
DI-engine 致力于 覆盖最全学术界研究领域和工业界生态决策智能环境及应用 ,并支持各类定制化的训练 pipeline 和实际决策智能应用,比如星际争霸 II、自动驾驶、交通信控和生物序列预测等等。 在底层代码级别,DI-engine 提供了 RL 优化函数库、PyTorch 数据处理和辅助工具库等一系列高度可复用的模块。 同时,DI-engine 也有一些 特殊的系统设计和优化 ,用于部署高效和稳健的大规模强化学习训练集群。
亮点:
示例代码:
### 1. Simple User Interface from ding.bonus import PPOF # Please install lunarlander env first, `pip3 install box2d` agent = PPOF(env='lunarlander_discrete', exp_name='./lunarlander_discrete_demo') agent.train(step=int(1e5)) # Classic RL interaction loop and save replay video agent.deploy(enable_save_replay=True) ### 2. Advanced User Interface import gym from ditk import logging from ding.model import VAC from ding.policy import PPOPolicy from ding.envs import DingEnvWrapper, BaseEnvManagerV2 from ding.data import DequeBuffer from ding.config import compile_config from ding.framework import task, ding_init from ding.framework.context import OnlineRLContext from ding.framework.middleware import multistep_trainer, StepCollector, interaction_evaluator, CkptSaver, \ gae_estimator, online_logger from ding.utils import set_pkg_seed from dizoo.classic_control.cartpole.config.cartpole_ppo_config import main_config, create_config logging.getLogger().setLevel(logging.INFO) cfg = compile_config(main_config, create_cfg=create_config, auto=True) ding_init(cfg) with task.start(async_mode=False, ctx=OnlineRLContext()): collector_env = BaseEnvManagerV2( env_fn=[lambda: DingEnvWrapper(gym.make("CartPole-v0")) for _ in range(cfg.env.collector_env_num)], cfg=cfg.env.manager ) evaluator_env = BaseEnvManagerV2( env_fn=[lambda: DingEnvWrapper(gym.make("CartPole-v0")) for _ in range(cfg.env.evaluator_env_num)], cfg=cfg.env.manager ) set_pkg_seed(cfg.seed, use_cuda=cfg.policy.cuda) model = VAC(**cfg.policy.model) policy = PPOPolicy(cfg.policy, model=model) task.use(interaction_evaluator(cfg, policy.eval_mode, evaluator_env)) task.use(StepCollector(cfg, policy.collect_mode, collector_env)) task.use(gae_estimator(cfg, policy.collect_mode)) task.use(multistep_trainer(policy.learn_mode, log_freq=50)) task.use(CkptSaver(policy, cfg.exp_name, train_freq=100)) task.use(online_logger(train_show_freq=3)) task.run()
截图:
后续更新计划:详细的开发计划可以参考 DI-engine 的社区 Roadmap
@VaninaY 您推荐的项目,已成功发布在 HelloGitHub 第 84 期,并把您添加到了贡献者列表中。
DI-engine
项目地址:https://github.com/opendilab/DI-engine
类别:Python、机器学习
项目标题:DI-engine 是一个基于 PyTorch 和 JAX 的通用决策智能引擎。
项目描述: DI-engine 以 python-first 和 asynchronous-native 为核心原则,设计了任务和中间件抽象层,从而模块化地集成了决策 AI 问题中的环境、策略和模型等核心概念。 基于上述这些机制,DI-engine 拥有性能优越,效率高效,文档与单元测试条理清晰的特点,系统性地支持了 各种深度强化学习 (Deep Reinforcement Learning,DRL) 算法 :
DI-engine 致力于 覆盖最全学术界研究领域和工业界生态决策智能环境及应用 ,并支持各类定制化的训练 pipeline 和实际决策智能应用,比如星际争霸 II、自动驾驶、交通信控和生物序列预测等等。 在底层代码级别,DI-engine 提供了 RL 优化函数库、PyTorch 数据处理和辅助工具库等一系列高度可复用的模块。 同时,DI-engine 也有一些 特殊的系统设计和优化 ,用于部署高效和稳健的大规模强化学习训练集群。
亮点:
示例代码:
截图:![截图](https://user-images.githubusercontent.com/101325081/222712960-ba946f1e-4b82-413d-be11-44ef5b5f0f33.png)
后续更新计划:详细的开发计划可以参考 DI-engine 的社区 Roadmap