Stable Baselines Jax (SB3 + Jax = SBX)

这是Stable-Baselines3在Jax上的概念验证版本。

已实现的算法：

使用pip安装

对于最新的主分支版本：

pip install git+https://github.com/araffin/sbx

或者：

pip install sbx-rl

示例

import gymnasium as gym

from sbx import DDPG, DQN, PPO, SAC, TD3, TQC, CrossQ

env = gym.make("Pendulum-v1", render_mode="human")

model = TQC("MlpPolicy", env, verbose=1)
model.learn(total_timesteps=10_000, progress_bar=True)

vec_env = model.get_env()
obs = vec_env.reset()
for _ in range(1000):
    vec_env.render()
    action, _states = model.predict(obs, deterministic=True)
    obs, reward, done, info = vec_env.step(action)

vec_env.close()

在RL Zoo中使用SBX

由于SBX共享SB3的API，它与RL Zoo兼容，你只需覆盖算法映射：

import rl_zoo3
import rl_zoo3.train
from rl_zoo3.train import train
from sbx import DDPG, DQN, PPO, SAC, TD3, TQC, CrossQ

rl_zoo3.ALGOS["ddpg"] = DDPG
rl_zoo3.ALGOS["dqn"] = DQN
# 参见下面的注释以使用DroQ配置
# rl_zoo3.ALGOS["droq"] = DroQ
rl_zoo3.ALGOS["sac"] = SAC
rl_zoo3.ALGOS["ppo"] = PPO
rl_zoo3.ALGOS["td3"] = TD3
rl_zoo3.ALGOS["tqc"] = TQC
rl_zoo3.ALGOS["crossq"] = CrossQ
rl_zoo3.train.ALGOS = rl_zoo3.ALGOS
rl_zoo3.exp_manager.ALGOS = rl_zoo3.ALGOS

if __name__ == "__main__":
    train()

然后你可以像使用RL Zoo一样运行这个脚本：

python train.py --algo sac --env HalfCheetah-v4 -params train_freq:4 gradient_steps:4 -P

enjoy脚本也是一样的：

import rl_zoo3
import rl_zoo3.enjoy
from rl_zoo3.enjoy import enjoy
from sbx import DDPG, DQN, PPO, SAC, TD3, TQC, CrossQ

rl_zoo3.ALGOS["ddpg"] = DDPG
rl_zoo3.ALGOS["dqn"] = DQN
# 参见下面的注释以使用DroQ配置
# rl_zoo3.ALGOS["droq"] = DroQ
rl_zoo3.ALGOS["sac"] = SAC
rl_zoo3.ALGOS["ppo"] = PPO
rl_zoo3.ALGOS["td3"] = TD3
rl_zoo3.ALGOS["tqc"] = TQC
rl_zoo3.ALGOS["crossq"] = CrossQ
rl_zoo3.enjoy.ALGOS = rl_zoo3.ALGOS
rl_zoo3.exp_manager.ALGOS = rl_zoo3.ALGOS

if __name__ == "__main__":
    enjoy()

关于DroQ的说明

DroQ是SAC的一种特殊配置。

要使用论文中的超参数配置算法，你应该使用（使用RL Zoo配置格式）：

HalfCheetah-v4:
  n_timesteps: !!float 1e6
  policy: 'MlpPolicy'
  learning_starts: 10000
  gradient_steps: 20
  policy_delay: 20
  policy_kwargs: "dict(dropout_rate=0.01, layer_norm=True)"

然后使用上面定义的RL Zoo脚本：python train.py --algo sac --env HalfCheetah-v4 -c droq.yml -P。

我们建议调整policy_delay和gradient_steps参数以获得更好的速度/效率。为Q值函数设置更高的学习率也会有帮助：qf_learning_rate: !!float 1e-3。

注意：当使用CrossQ的DroQ配置时，你应该设置layer_norm=False，因为已经有批量归一化了。

基准测试

部分基准测试可以在OpenRL Benchmark上找到，你还可以在那里找到几个报告。

引用本项目

在出版物中引用此仓库：

@article{stable-baselines3,
  author  = {Antonin Raffin and Ashley Hill and Adam Gleave and Anssi Kanervisto and Maximilian Ernestus and Noah Dormann},
  title   = {Stable-Baselines3: Reliable Reinforcement Learning Implementations},
  journal = {Journal of Machine Learning Research},
  year    = {2021},
  volume  = {22},
  number  = {268},
  pages   = {1-8},
  url     = {http://jmlr.org/papers/v22/20-1364.html}
}

维护者

Stable-Baselines3目前由Ashley Hill（又名@hill-a）、Antonin Raffin（又名@araffin）、Maximilian Ernestus（又名@ernestum）、Adam Gleave（@AdamGleave）、Anssi Kanervisto（@Miffyli）和Quentin Gallouédec（@qgallouedec）维护。

重要提示：我们不提供技术支持、咨询服务，也不回答通过电子邮件发送的个人问题。 在这种情况下，请在RL Discord、Reddit或Stack Overflow上发布你的问题。

如何贡献

对于任何有兴趣改进基线的人，仍然有一些文档工作需要完成。如果你想贡献，请先阅读CONTRIBUTING.md指南。

贡献者

我们要感谢我们的贡献者：@jan1854。