costus/a2c-CartPole-v1

Agent de résolution A2C, résolution du jeu CartPole-v1

Il s'agit ici d'un agent A2C pour la résolution d'un CartPole-v1 en utilisant la librairie stable-baselines3.

Prérequis

pip install gymnasium pip install stable-baselines3 pip install huggingface-sb3 pip install moviepy

import os
import sys
import gymnasium as gym
from stable_baselines3 import A2C

#Configuration et paramètres
epochs = 10 
if len(sys.argv) >= 2:
    epochs = int(sys.argv[1])

# Définition des chemins
base_path = os.getcwd()
models_dir = os.path.join(base_path, 'models', 'A2C')
logs_dir = os.path.join(base_path, 'logs')

# Création des dossiers s'ils n'existent pas
os.makedirs(models_dir, exist_ok=True)
os.makedirs(logs_dir, exist_ok=True)

#initialisation
env = gym.make('CartPole-v1')

#Modèle A2C
model = A2C('MlpPolicy', env, verbose=1, tensorboard_log=logs_dir)

#Boucle d'entrainement
timesteps_per_epoch = 10000
for i in range(1, epochs + 1):
    model.learn(total_timesteps=timesteps_per_epoch, reset_num_timesteps=False, tb_log_name="A2C_run")
    current_step = i * timesteps_per_epoch
    model_path = os.path.join(models_dir, f"a2c_cartpole_{current_step}")
    model.save(model_path)
    print(f"Modèle sauvegardé : {model_path}")

env.close()
print("Entraînement terminé !")
...