Starlight0798/DRL-ts

基于Tianshou框架的强化学习DRL实验探索(在gym,pettingzoo,atari等环境)

简介

这是一个基于Tianshou框架的深度强化学习（DRL）实验项目，适用于Gymnasium、Pettingzoo和Atari等环境。该项目用于个人学习和研究。

安装

Python版本要求

请使用Python 3.11版本，不要使用3.10或3.12。

最好安装Anaconda，使用如下命令创建和激活环境：

conda create -n drl python=3.11
conda activate drl

安装Tianshou和依赖项

1. 克隆Tianshou仓库并安装：

   git clone https://github.com/thu-ml/tianshou.git
   cd tianshou
   conda activate drl  
   pip install .

2. 安装基础依赖：

   pip install -r requirements-base.txt

3. 安装其他依赖：

   pip install -r requirements.txt

使用

本项目提供了一些示例代码，可以帮助你快速开始使用Tianshou框架进行DRL实验。

由于Tianshou在算法、训练方法等方面比较完善，目前我主要试验不同神经网络的开发，在tianshou框架下不同算法的训练效率以及水准等。

读者可以参照/utils/model.py，尝试以下神经网络进行特征提取：

# MLP Concat
class PSCN(nn.Module):
    def __init__(self, input_dim, output_dim, linear=nn.Linear):
        super(PSCN, self).__init__()
        assert output_dim >= 32 and output_dim % 8 == 0, "output_dim must be >= 32 and divisible by 8"
        self.hidden_dim = output_dim
        self.fc1 = MLP([input_dim, self.hidden_dim], last_act=True, linear=linear)
        self.fc2 = MLP([self.hidden_dim // 2, self.hidden_dim // 2], last_act=True, linear=linear)
        self.fc3 = MLP([self.hidden_dim // 4, self.hidden_dim // 4], last_act=True, linear=linear)
        self.fc4 = MLP([self.hidden_dim // 8, self.hidden_dim // 8], last_act=True, linear=linear)

    def forward(self, x):
        _shape = x.shape
        if len(_shape) > 2:
            x = x.view(-1, _shape[-1])
        
        x = self.fc1(x)

        x1 = x[:, :self.hidden_dim // 2]
        x = x[:, self.hidden_dim // 2:]
        x = self.fc2(x)

        x2 = x[:, :self.hidden_dim // 4]
        x = x[:, self.hidden_dim // 4:]
        x = self.fc3(x)

        x3 = x[:, :self.hidden_dim // 8]
        x = x[:, self.hidden_dim // 8:]
        x4 = self.fc4(x)

        out = torch.cat([x1, x2, x3, x4], dim=1)
        
        if len(_shape) > 2:
            out = out.view(_shape[0], _shape[1], -1)
        return out


# 稠密层(单层)
class DenseLayer(nn.Module):
    def __init__(self, in_features, growth_rate):
        super(DenseLayer, self).__init__()
        self.fc = MLP([in_features, growth_rate], last_act=True)

    def forward(self, x):
        return torch.cat([x, self.fc(x)], dim=-1)


# 稠密层
class DenseBlock(nn.Module):
    def __init__(self, in_features, growth_rate, num_layers):
        super(DenseBlock, self).__init__()
        layers = []
        for i in range(num_layers):
            layers.append(DenseLayer(in_features + i * growth_rate, growth_rate))
        self.layers = nn.Sequential(*layers)

    def forward(self, x):
        return self.layers(x)

贡献

欢迎提交问题（Issues）和拉取请求（Pull Requests）以改进此项目。请确保在提交之前阅读并遵循贡献指南。

协议

本项目使用MIT协议。请参阅LICENSE文件以获取更多信息。