Notre fichier td3.py doit être lancé avec au moins un argument :
playsi l'on souhaite ajouter des donnéeswatchsi l'on souhaite regarder l'agent jouer D'autres arguments sont disponibles :--debug: permet d'enregister les informations et les captures du jeu dans un dossier séparé--agent: permet de choisir l'agent utilisé (neural_netourandom_forest)
Par exemple, pour lancer la capture de données dans le dossier debug, il est possible de faire :
python3 td3.py play --debugUne fois un modèle entrainé, il suffira de faire :
python3 td3.py watch --agent neural_netou
python3 td3.py watch --agent random_forestpour lancer le jeu avec l'agent choisi.
Network topology: plot the accuracy when varying the topology (number of layers, type of layers, number of neurons per layer)
Nous utilisons un fine-tuner pour trouver la meilleure configuration pour notre modèle. Tout les modèles testés sont ensuite comparés, pour conserver le modèle qui donne les meilleurs résultats. Augmenter le nombre d'essais du fine-tuner permet de tester plus de combinaisons, ce qui peut permettre d'obtenir de meilleurs résultats. La cellule 13 du fichier pong.ipynb permet d'afficher la précision et la loss des modèles testés.
Le jeu de données représente 14 000 images à la disposition du modèle. 25% de ces images sont réservées pour le test, ce qui veut dire que le modèle apprend sur 10 500 images.
Malgré le nombre d'images, le modèle n'arrive pas à apprendre correctement. En effet, le modèle n'arrive pas à apprendre à jouer suffisamment bien pour battre l'agent ennemi. Un plus grand nombre de données pourrait contribuer à un meilleur modèle.
À partir de la cellule 17 du fichier pong.ipynb, nous utilisons un modèle de
type RandomForestClassifier, ce qui donne des résultats similaires au modèle précédent.