Dabe/dqn-LunarLander-v2-5

DQN Agent playing LunarLander-v2

This is a trained model of a DQN agent playing LunarLander-v2 using the stable-baselines3 library.

Some of the hyperparameters used are listed below:

Hyperparameters	Value
Learning rate	0.0002
Batch size	128
Buffer size	100000

Usage (with Stable-baselines3)

# ---------------------- Libraries ------------------------------
from huggingface_sb3 import load_from_hub, package_to_hub, push_to_hub
from huggingface_hub import (
    notebook_login,
)  # To log to our Hugging Face account to be able to upload models to the Hub.

from stable_baselines3 import DQN
from stable_baselines3.common.evaluation import evaluate_policy
from stable_baselines3.common.env_util import make_vec_env

# ---------------------------- Main --------------------------------------

# PONERLE NOMBRE CADA VEZ QUE ENTRENE UN NUEVO MODELO
model_name = "dqn-LunarLander-v2-seed42-12"

# Defino la seed para los envs y los números aleatorios
Seed=42
utils.set_seed(Seed)


# Se crea el entorno

env = make_vec_env("LunarLander-v2", n_envs=16)       # Creo un env vectorizado, 16 envs simultaneos
env.seed(Seed)                                        # Seed del entorno de entrenamiento

# Se establece el tipo de agente, con sus hiperparametros

# Para toquetear centrarse en: learning rate,buffer size, batch size
model = DQN(policy = 'MlpPolicy',
            env = env,
            learning_rate= 0.0002,
            learning_starts= 0,         # Cuando empieza el proceso de aprendizaje
            batch_size= 128,            # Cada cuanto se da el paso en el gradiente
            buffer_size=100000,         #  (size of the replay buffer)
            gamma = 0.99 ,              # Factor de descuento, 0.99 por defecto
            train_freq= 4,              # Cada cuanto se actualiza el modelo
            target_update_interval=15,  # Actualizar la red cada '' pasos en el entorno
            gradient_steps=4,           # Cuantos pasos dar de gradiente antes de cada actualizacion del modelo
            exploration_fraction=0.08,  # que fraccion del entrenamiento tiene la exploracion reducida
            exploration_final_eps=0.05, # Valor final de la probabilidad de realizar una accion aleatoria
            verbose= 1,                 # Nivel de informacion que da sobre el proceso (0,1 o 2)
            optimize_memory_usage=False,
            seed= Seed
            )

# Entrenamiento

model.learn(total_timesteps=5000000)

# Se guarda el modelo
model.save(path = "Historial/" + model_name)

# Se crea el entorno de evaluacion
eval_env = gym.make("LunarLander-v2")
eval_env.seed(2*Seed)                                 # Seed del entorno de evaluacion, distinta del de entrenamiento

# Se evalua
mean_reward, std_reward = evaluate_policy(model, eval_env, n_eval_episodes=10, deterministic=True)

# Guardo los resultados de la evaluacion del modelo
with open('Historial/' + model_name + '.txt', 'w') as f:
    f.write(f"mean_reward={mean_reward:.2f} +/- {std_reward}")