File size: 1,501 Bytes
0813b4d 46dc1ab 0813b4d 46dc1ab 0813b4d 46dc1ab 0813b4d 46dc1ab 0813b4d 46dc1ab 0813b4d b3e3848 0813b4d | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 | from stable_baselines3 import A2C
from stable_baselines3 import PPO
from tetris_gym.wrappers.observation import ExtendedObservationWrapper
from agent.MyWrapper import MyWrapper
from stable_baselines3 import DQN
class Agent:
"""
Az Agent tanítása során PPO-t használtam 2M steppel. Reward function ként az alábbi cikkhez hasonlót használtam.
http://cs231n.stanford.edu/reports/2016/pdfs/121_Report.pdf
"""
def __init__(self, env) -> None:
"""
A konsztruktorban van lehetőség például a modell betöltésére
vagy a környezet wrapper-ekkel való kiterjesztésére.
"""
self.model = PPO.load("agent/A2CPaper")
# A környezetet kiterjeszthetjük wrapper-ek segítségével.
# Ha tanításkor modosítottuk a megfigyeléseket,
# akkor azt a módosítást kiértékeléskor is meg kell adnunk.
# self.observation_wrapper = ExtendedObservationWrapper(env)
self.observation_wrapper = MyWrapper(env)
def act(self, observation):
"""
A megfigyelés alapján visszaadja a következő lépést.
Ez a függvény fogja megadni az ágens működését.
"""
# Ha tanításkor modosítottuk a megfigyeléseket,
# akkor azt a módosítást kiértékeléskor is meg kell adnunk.
# extended_obsetvation = self.observation_wrapper.observation(observation)
return self.model.predict(observation, deterministic=True)
|