- คำอธิบาย :
D4RL เป็นเกณฑ์มาตรฐานแบบโอเพ่นซอร์สสำหรับการเรียนรู้แบบเสริมกำลังแบบออฟไลน์ โดยจัดเตรียมสภาพแวดล้อมและชุดข้อมูลที่เป็นมาตรฐานสำหรับอัลกอริธึมการฝึกอบรมและการวัดประสิทธิภาพ
ชุดข้อมูลเป็นไปตาม รูปแบบ RLDS เพื่อแสดงขั้นตอนและตอน
คำอธิบายการกำหนดค่า : ดูรายละเอียดเพิ่มเติมเกี่ยวกับงานและเวอร์ชันใน https://github.com/rail-berkeley/d4rl/wiki/Tasks#gym
ซอร์สโค้ด :
tfds.d4rl.d4rl_mujoco_halfcheetah.D4rlMujocoHalfcheetah
รุ่น :
-
1.0.0
: การเปิดตัวครั้งแรก -
1.0.1
: รองรับข้อมูลเมตาของตอนและขั้นตอน และการรวมรูปร่างรางวัลในการกำหนดค่าทั้งหมด -
1.1.0
: เพิ่ม is_last -
1.2.0
(ค่าเริ่มต้น): อัปเดตเพื่อคำนึงถึงข้อสังเกตถัดไป
-
คีย์ภายใต้การดูแล (ดู
as_supervised
doc ):None
รูปภาพ ( tfds.show_examples ): ไม่รองรับ
การอ้างอิง :
@misc{fu2020d4rl,
title={D4RL: Datasets for Deep Data-Driven Reinforcement Learning},
author={Justin Fu and Aviral Kumar and Ofir Nachum and George Tucker and Sergey Levine},
year={2020},
eprint={2004.07219},
archivePrefix={arXiv},
primaryClass={cs.LG}
}
d4rl_mujoco_halfcheetah/v0-ผู้เชี่ยวชาญ (การกำหนดค่าเริ่มต้น)
ขนาดดาวน์โหลด :
83.44 MiB
ขนาดชุดข้อมูล :
98.43 MiB
แคชอัตโนมัติ ( เอกสาร ): ใช่
แยก :
แยก | ตัวอย่าง |
---|---|
'train' | 1,002 |
- โครงสร้างคุณสมบัติ :
FeaturesDict({
'steps': Dataset({
'action': Tensor(shape=(6,), dtype=float32),
'discount': float32,
'is_first': bool,
'is_last': bool,
'is_terminal': bool,
'observation': Tensor(shape=(17,), dtype=float32),
'reward': float32,
}),
})
- เอกสารคุณสมบัติ :
คุณสมบัติ | ระดับ | รูปร่าง | ประเภทD | คำอธิบาย |
---|---|---|---|---|
คุณสมบัติDict | ||||
ขั้นตอน | ชุดข้อมูล | |||
ขั้นตอน/การดำเนินการ | เทนเซอร์ | (6,) | ลอย32 | |
ขั้นตอน/ส่วนลด | เทนเซอร์ | ลอย32 | ||
ขั้นตอน/is_first | เทนเซอร์ | บูล | ||
ขั้นตอน/is_last | เทนเซอร์ | บูล | ||
ขั้นตอน/is_terminal | เทนเซอร์ | บูล | ||
ขั้นตอน/การสังเกต | เทนเซอร์ | (17,) | ลอย32 | |
ขั้นตอน/รางวัล | เทนเซอร์ | ลอย32 |
- ตัวอย่าง ( tfds.as_dataframe ):
d4rl_mujoco_halfcheetah/v0-ขนาดกลาง
ขนาดดาวน์โหลด :
82.92 MiB
ขนาดชุดข้อมูล :
98.43 MiB
แคชอัตโนมัติ ( เอกสาร ): ใช่
แยก :
แยก | ตัวอย่าง |
---|---|
'train' | 1,002 |
- โครงสร้างคุณสมบัติ :
FeaturesDict({
'steps': Dataset({
'action': Tensor(shape=(6,), dtype=float32),
'discount': float32,
'is_first': bool,
'is_last': bool,
'is_terminal': bool,
'observation': Tensor(shape=(17,), dtype=float32),
'reward': float32,
}),
})
- เอกสารคุณสมบัติ :
คุณสมบัติ | ระดับ | รูปร่าง | ประเภทD | คำอธิบาย |
---|---|---|---|---|
คุณสมบัติDict | ||||
ขั้นตอน | ชุดข้อมูล | |||
ขั้นตอน/การดำเนินการ | เทนเซอร์ | (6,) | ลอย32 | |
ขั้นตอน/ส่วนลด | เทนเซอร์ | ลอย32 | ||
ขั้นตอน/is_first | เทนเซอร์ | บูล | ||
ขั้นตอน/is_last | เทนเซอร์ | บูล | ||
ขั้นตอน/is_terminal | เทนเซอร์ | บูล | ||
ขั้นตอน/การสังเกต | เทนเซอร์ | (17,) | ลอย32 | |
ขั้นตอน/รางวัล | เทนเซอร์ | ลอย32 |
- ตัวอย่าง ( tfds.as_dataframe ):
d4rl_mujoco_halfcheetah/v0-ผู้เชี่ยวชาญระดับกลาง
ขนาดดาวน์โหลด :
166.36 MiB
ขนาดชุดข้อมูล :
196.86 MiB
แคชอัตโนมัติ ( เอกสารประกอบ ): เฉพาะเมื่อ
shuffle_files=False
(train)แยก :
แยก | ตัวอย่าง |
---|---|
'train' | 2,004 |
- โครงสร้างคุณสมบัติ :
FeaturesDict({
'steps': Dataset({
'action': Tensor(shape=(6,), dtype=float32),
'discount': float32,
'is_first': bool,
'is_last': bool,
'is_terminal': bool,
'observation': Tensor(shape=(17,), dtype=float32),
'reward': float32,
}),
})
- เอกสารคุณสมบัติ :
คุณสมบัติ | ระดับ | รูปร่าง | ประเภทD | คำอธิบาย |
---|---|---|---|---|
คุณสมบัติDict | ||||
ขั้นตอน | ชุดข้อมูล | |||
ขั้นตอน/การดำเนินการ | เทนเซอร์ | (6,) | ลอย32 | |
ขั้นตอน/ส่วนลด | เทนเซอร์ | ลอย32 | ||
ขั้นตอน/is_first | เทนเซอร์ | บูล | ||
ขั้นตอน/is_last | เทนเซอร์ | บูล | ||
ขั้นตอน/is_terminal | เทนเซอร์ | บูล | ||
ขั้นตอน/การสังเกต | เทนเซอร์ | (17,) | ลอย32 | |
ขั้นตอน/รางวัล | เทนเซอร์ | ลอย32 |
- ตัวอย่าง ( tfds.as_dataframe ):
d4rl_mujoco_halfcheetah/v0-ผสม
ขนาดดาวน์โหลด :
8.60 MiB
ขนาดชุดข้อมูล :
9.94 MiB
แคชอัตโนมัติ ( เอกสาร ): ใช่
แยก :
แยก | ตัวอย่าง |
---|---|
'train' | 101 |
- โครงสร้างคุณสมบัติ :
FeaturesDict({
'steps': Dataset({
'action': Tensor(shape=(6,), dtype=float32),
'discount': float32,
'is_first': bool,
'is_last': bool,
'is_terminal': bool,
'observation': Tensor(shape=(17,), dtype=float32),
'reward': float32,
}),
})
- เอกสารคุณสมบัติ :
คุณสมบัติ | ระดับ | รูปร่าง | ประเภทD | คำอธิบาย |
---|---|---|---|---|
คุณสมบัติDict | ||||
ขั้นตอน | ชุดข้อมูล | |||
ขั้นตอน/การดำเนินการ | เทนเซอร์ | (6,) | ลอย32 | |
ขั้นตอน/ส่วนลด | เทนเซอร์ | ลอย32 | ||
ขั้นตอน/is_first | เทนเซอร์ | บูล | ||
ขั้นตอน/is_last | เทนเซอร์ | บูล | ||
ขั้นตอน/is_terminal | เทนเซอร์ | บูล | ||
ขั้นตอน/การสังเกต | เทนเซอร์ | (17,) | ลอย32 | |
ขั้นตอน/รางวัล | เทนเซอร์ | ลอย32 |
- ตัวอย่าง ( tfds.as_dataframe ):
d4rl_mujoco_halfcheetah/v0-สุ่ม
ขนาดดาวน์โหลด :
84.79 MiB
ขนาดชุดข้อมูล :
98.43 MiB
แคชอัตโนมัติ ( เอกสาร ): ใช่
แยก :
แยก | ตัวอย่าง |
---|---|
'train' | 1,002 |
- โครงสร้างคุณสมบัติ :
FeaturesDict({
'steps': Dataset({
'action': Tensor(shape=(6,), dtype=float32),
'discount': float32,
'is_first': bool,
'is_last': bool,
'is_terminal': bool,
'observation': Tensor(shape=(17,), dtype=float32),
'reward': float32,
}),
})
- เอกสารคุณสมบัติ :
คุณสมบัติ | ระดับ | รูปร่าง | ประเภทD | คำอธิบาย |
---|---|---|---|---|
คุณสมบัติDict | ||||
ขั้นตอน | ชุดข้อมูล | |||
ขั้นตอน/การดำเนินการ | เทนเซอร์ | (6,) | ลอย32 | |
ขั้นตอน/ส่วนลด | เทนเซอร์ | ลอย32 | ||
ขั้นตอน/is_first | เทนเซอร์ | บูล | ||
ขั้นตอน/is_last | เทนเซอร์ | บูล | ||
ขั้นตอน/is_terminal | เทนเซอร์ | บูล | ||
ขั้นตอน/การสังเกต | เทนเซอร์ | (17,) | ลอย32 | |
ขั้นตอน/รางวัล | เทนเซอร์ | ลอย32 |
- ตัวอย่าง ( tfds.as_dataframe ):
d4rl_mujoco_halfcheetah/v1-ผู้เชี่ยวชาญ
ขนาดดาวน์โหลด :
146.94 MiB
ขนาดชุดข้อมูล :
451.88 MiB
แคชอัตโนมัติ ( เอกสาร ): No
แยก :
แยก | ตัวอย่าง |
---|---|
'train' | 1,000 |
- โครงสร้างคุณสมบัติ :
FeaturesDict({
'algorithm': string,
'iteration': int32,
'policy': FeaturesDict({
'fc0': FeaturesDict({
'bias': Tensor(shape=(256,), dtype=float32),
'weight': Tensor(shape=(256, 17), dtype=float32),
}),
'fc1': FeaturesDict({
'bias': Tensor(shape=(256,), dtype=float32),
'weight': Tensor(shape=(256, 256), dtype=float32),
}),
'last_fc': FeaturesDict({
'bias': Tensor(shape=(6,), dtype=float32),
'weight': Tensor(shape=(6, 256), dtype=float32),
}),
'last_fc_log_std': FeaturesDict({
'bias': Tensor(shape=(6,), dtype=float32),
'weight': Tensor(shape=(6, 256), dtype=float32),
}),
'nonlinearity': string,
'output_distribution': string,
}),
'steps': Dataset({
'action': Tensor(shape=(6,), dtype=float32),
'discount': float32,
'infos': FeaturesDict({
'action_log_probs': float32,
'qpos': Tensor(shape=(9,), dtype=float32),
'qvel': Tensor(shape=(9,), dtype=float32),
}),
'is_first': bool,
'is_last': bool,
'is_terminal': bool,
'observation': Tensor(shape=(17,), dtype=float32),
'reward': float32,
}),
})
- เอกสารคุณสมบัติ :
คุณสมบัติ | ระดับ | รูปร่าง | ประเภทD | คำอธิบาย |
---|---|---|---|---|
คุณสมบัติDict | ||||
อัลกอริทึม | เทนเซอร์ | เชือก | ||
การวนซ้ำ | เทนเซอร์ | int32 | ||
นโยบาย | คุณสมบัติDict | |||
นโยบาย/fc0 | คุณสมบัติDict | |||
นโยบาย/fc0/อคติ | เทนเซอร์ | (256,) | ลอย32 | |
นโยบาย/fc0/น้ำหนัก | เทนเซอร์ | (256, 17) | ลอย32 | |
นโยบาย/fc1 | คุณสมบัติDict | |||
นโยบาย/fc1/อคติ | เทนเซอร์ | (256,) | ลอย32 | |
นโยบาย/fc1/น้ำหนัก | เทนเซอร์ | (256, 256) | ลอย32 | |
นโยบาย/last_fc | คุณสมบัติDict | |||
นโยบาย/last_fc/อคติ | เทนเซอร์ | (6,) | ลอย32 | |
นโยบาย/last_fc/น้ำหนัก | เทนเซอร์ | (6, 256) | ลอย32 | |
นโยบาย/last_fc_log_std | คุณสมบัติDict | |||
นโยบาย/last_fc_log_std/อคติ | เทนเซอร์ | (6,) | ลอย32 | |
นโยบาย/last_fc_log_std/น้ำหนัก | เทนเซอร์ | (6, 256) | ลอย32 | |
นโยบาย/ความไม่เชิงเส้น | เทนเซอร์ | เชือก | ||
นโยบาย/output_distribution | เทนเซอร์ | เชือก | ||
ขั้นตอน | ชุดข้อมูล | |||
ขั้นตอน/การดำเนินการ | เทนเซอร์ | (6,) | ลอย32 | |
ขั้นตอน/ส่วนลด | เทนเซอร์ | ลอย32 | ||
ขั้นตอน/ข้อมูล | คุณสมบัติDict | |||
ขั้นตอน/ข้อมูล/action_log_probs | เทนเซอร์ | ลอย32 | ||
ขั้นตอน/ข้อมูล/qpos | เทนเซอร์ | (9,) | ลอย32 | |
ขั้นตอน/ข้อมูล/qvel | เทนเซอร์ | (9,) | ลอย32 | |
ขั้นตอน/is_first | เทนเซอร์ | บูล | ||
ขั้นตอน/is_last | เทนเซอร์ | บูล | ||
ขั้นตอน/is_terminal | เทนเซอร์ | บูล | ||
ขั้นตอน/การสังเกต | เทนเซอร์ | (17,) | ลอย32 | |
ขั้นตอน/รางวัล | เทนเซอร์ | ลอย32 |
- ตัวอย่าง ( tfds.as_dataframe ):
d4rl_mujoco_halfcheetah/v1-ขนาดกลาง
ขนาดดาวน์โหลด :
146.65 MiB
ขนาดชุดข้อมูล :
451.88 MiB
แคชอัตโนมัติ ( เอกสาร ): No
แยก :
แยก | ตัวอย่าง |
---|---|
'train' | 1,000 |
- โครงสร้างคุณสมบัติ :
FeaturesDict({
'algorithm': string,
'iteration': int32,
'policy': FeaturesDict({
'fc0': FeaturesDict({
'bias': Tensor(shape=(256,), dtype=float32),
'weight': Tensor(shape=(256, 17), dtype=float32),
}),
'fc1': FeaturesDict({
'bias': Tensor(shape=(256,), dtype=float32),
'weight': Tensor(shape=(256, 256), dtype=float32),
}),
'last_fc': FeaturesDict({
'bias': Tensor(shape=(6,), dtype=float32),
'weight': Tensor(shape=(6, 256), dtype=float32),
}),
'last_fc_log_std': FeaturesDict({
'bias': Tensor(shape=(6,), dtype=float32),
'weight': Tensor(shape=(6, 256), dtype=float32),
}),
'nonlinearity': string,
'output_distribution': string,
}),
'steps': Dataset({
'action': Tensor(shape=(6,), dtype=float32),
'discount': float32,
'infos': FeaturesDict({
'action_log_probs': float32,
'qpos': Tensor(shape=(9,), dtype=float32),
'qvel': Tensor(shape=(9,), dtype=float32),
}),
'is_first': bool,
'is_last': bool,
'is_terminal': bool,
'observation': Tensor(shape=(17,), dtype=float32),
'reward': float32,
}),
})
- เอกสารคุณสมบัติ :
คุณสมบัติ | ระดับ | รูปร่าง | ประเภทD | คำอธิบาย |
---|---|---|---|---|
คุณสมบัติDict | ||||
อัลกอริทึม | เทนเซอร์ | เชือก | ||
การวนซ้ำ | เทนเซอร์ | int32 | ||
นโยบาย | คุณสมบัติDict | |||
นโยบาย/fc0 | คุณสมบัติDict | |||
นโยบาย/fc0/อคติ | เทนเซอร์ | (256,) | ลอย32 | |
นโยบาย/fc0/น้ำหนัก | เทนเซอร์ | (256, 17) | ลอย32 | |
นโยบาย/fc1 | คุณสมบัติDict | |||
นโยบาย/fc1/อคติ | เทนเซอร์ | (256,) | ลอย32 | |
นโยบาย/fc1/น้ำหนัก | เทนเซอร์ | (256, 256) | ลอย32 | |
นโยบาย/last_fc | คุณสมบัติDict | |||
นโยบาย/last_fc/อคติ | เทนเซอร์ | (6,) | ลอย32 | |
นโยบาย/last_fc/น้ำหนัก | เทนเซอร์ | (6, 256) | ลอย32 | |
นโยบาย/last_fc_log_std | คุณสมบัติDict | |||
นโยบาย/last_fc_log_std/อคติ | เทนเซอร์ | (6,) | ลอย32 | |
นโยบาย/last_fc_log_std/น้ำหนัก | เทนเซอร์ | (6, 256) | ลอย32 | |
นโยบาย/ความไม่เชิงเส้น | เทนเซอร์ | เชือก | ||
นโยบาย/output_distribution | เทนเซอร์ | เชือก | ||
ขั้นตอน | ชุดข้อมูล | |||
ขั้นตอน/การดำเนินการ | เทนเซอร์ | (6,) | ลอย32 | |
ขั้นตอน/ส่วนลด | เทนเซอร์ | ลอย32 | ||
ขั้นตอน/ข้อมูล | คุณสมบัติDict | |||
ขั้นตอน/ข้อมูล/action_log_probs | เทนเซอร์ | ลอย32 | ||
ขั้นตอน/ข้อมูล/qpos | เทนเซอร์ | (9,) | ลอย32 | |
ขั้นตอน/ข้อมูล/qvel | เทนเซอร์ | (9,) | ลอย32 | |
ขั้นตอน/is_first | เทนเซอร์ | บูล | ||
ขั้นตอน/is_last | เทนเซอร์ | บูล | ||
ขั้นตอน/is_terminal | เทนเซอร์ | บูล | ||
ขั้นตอน/การสังเกต | เทนเซอร์ | (17,) | ลอย32 | |
ขั้นตอน/รางวัล | เทนเซอร์ | ลอย32 |
- ตัวอย่าง ( tfds.as_dataframe ):
d4rl_mujoco_halfcheetah/v1-ผู้เชี่ยวชาญระดับกลาง
ขนาดดาวน์โหลด :
293.00 MiB
ขนาดชุดข้อมูล :
342.37 MiB
แคชอัตโนมัติ ( เอกสาร ): No
แยก :
แยก | ตัวอย่าง |
---|---|
'train' | 2,000 |
- โครงสร้างคุณสมบัติ :
FeaturesDict({
'steps': Dataset({
'action': Tensor(shape=(6,), dtype=float32),
'discount': float32,
'infos': FeaturesDict({
'action_log_probs': float32,
'qpos': Tensor(shape=(9,), dtype=float32),
'qvel': Tensor(shape=(9,), dtype=float32),
}),
'is_first': bool,
'is_last': bool,
'is_terminal': bool,
'observation': Tensor(shape=(17,), dtype=float32),
'reward': float32,
}),
})
- เอกสารคุณสมบัติ :
คุณสมบัติ | ระดับ | รูปร่าง | ประเภทD | คำอธิบาย |
---|---|---|---|---|
คุณสมบัติDict | ||||
ขั้นตอน | ชุดข้อมูล | |||
ขั้นตอน/การดำเนินการ | เทนเซอร์ | (6,) | ลอย32 | |
ขั้นตอน/ส่วนลด | เทนเซอร์ | ลอย32 | ||
ขั้นตอน/ข้อมูล | คุณสมบัติDict | |||
ขั้นตอน/ข้อมูล/action_log_probs | เทนเซอร์ | ลอย32 | ||
ขั้นตอน/ข้อมูล/qpos | เทนเซอร์ | (9,) | ลอย32 | |
ขั้นตอน/ข้อมูล/qvel | เทนเซอร์ | (9,) | ลอย32 | |
ขั้นตอน/is_first | เทนเซอร์ | บูล | ||
ขั้นตอน/is_last | เทนเซอร์ | บูล | ||
ขั้นตอน/is_terminal | เทนเซอร์ | บูล | ||
ขั้นตอน/การสังเกต | เทนเซอร์ | (17,) | ลอย32 | |
ขั้นตอน/รางวัล | เทนเซอร์ | ลอย32 |
- ตัวอย่าง ( tfds.as_dataframe ):
d4rl_mujoco_halfcheetah/v1-เล่นซ้ำปานกลาง
ขนาดดาวน์โหลด :
57.68 MiB
ขนาดชุดข้อมูล :
34.59 MiB
แคชอัตโนมัติ ( เอกสาร ): ใช่
แยก :
แยก | ตัวอย่าง |
---|---|
'train' | 202 |
- โครงสร้างคุณสมบัติ :
FeaturesDict({
'algorithm': string,
'iteration': int32,
'steps': Dataset({
'action': Tensor(shape=(6,), dtype=float64),
'discount': float64,
'infos': FeaturesDict({
'action_log_probs': float64,
'qpos': Tensor(shape=(9,), dtype=float64),
'qvel': Tensor(shape=(9,), dtype=float64),
}),
'is_first': bool,
'is_last': bool,
'is_terminal': bool,
'observation': Tensor(shape=(17,), dtype=float64),
'reward': float64,
}),
})
- เอกสารคุณสมบัติ :
คุณสมบัติ | ระดับ | รูปร่าง | ประเภทD | คำอธิบาย |
---|---|---|---|---|
คุณสมบัติDict | ||||
อัลกอริทึม | เทนเซอร์ | เชือก | ||
การวนซ้ำ | เทนเซอร์ | int32 | ||
ขั้นตอน | ชุดข้อมูล | |||
ขั้นตอน/การดำเนินการ | เทนเซอร์ | (6,) | ลอย64 | |
ขั้นตอน/ส่วนลด | เทนเซอร์ | ลอย64 | ||
ขั้นตอน/ข้อมูล | คุณสมบัติDict | |||
ขั้นตอน/ข้อมูล/action_log_probs | เทนเซอร์ | ลอย64 | ||
ขั้นตอน/ข้อมูล/qpos | เทนเซอร์ | (9,) | ลอย64 | |
ขั้นตอน/ข้อมูล/qvel | เทนเซอร์ | (9,) | ลอย64 | |
ขั้นตอน/is_first | เทนเซอร์ | บูล | ||
ขั้นตอน/is_last | เทนเซอร์ | บูล | ||
ขั้นตอน/is_terminal | เทนเซอร์ | บูล | ||
ขั้นตอน/การสังเกต | เทนเซอร์ | (17,) | ลอย64 | |
ขั้นตอน/รางวัล | เทนเซอร์ | ลอย64 |
- ตัวอย่าง ( tfds.as_dataframe ):
d4rl_mujoco_halfcheetah/v1-เล่นซ้ำเต็ม
ขนาดดาวน์โหลด :
285.01 MiB
ขนาดชุดข้อมูล :
171.22 MiB
แคชอัตโนมัติ ( เอกสารประกอบ ): เฉพาะเมื่อ
shuffle_files=False
(train)แยก :
แยก | ตัวอย่าง |
---|---|
'train' | 1,000 |
- โครงสร้างคุณสมบัติ :
FeaturesDict({
'algorithm': string,
'iteration': int32,
'steps': Dataset({
'action': Tensor(shape=(6,), dtype=float64),
'discount': float64,
'infos': FeaturesDict({
'action_log_probs': float64,
'qpos': Tensor(shape=(9,), dtype=float64),
'qvel': Tensor(shape=(9,), dtype=float64),
}),
'is_first': bool,
'is_last': bool,
'is_terminal': bool,
'observation': Tensor(shape=(17,), dtype=float64),
'reward': float64,
}),
})
- เอกสารคุณสมบัติ :
คุณสมบัติ | ระดับ | รูปร่าง | ประเภทD | คำอธิบาย |
---|---|---|---|---|
คุณสมบัติDict | ||||
อัลกอริทึม | เทนเซอร์ | เชือก | ||
การวนซ้ำ | เทนเซอร์ | int32 | ||
ขั้นตอน | ชุดข้อมูล | |||
ขั้นตอน/การดำเนินการ | เทนเซอร์ | (6,) | ลอย64 | |
ขั้นตอน/ส่วนลด | เทนเซอร์ | ลอย64 | ||
ขั้นตอน/ข้อมูล | คุณสมบัติDict | |||
ขั้นตอน/ข้อมูล/action_log_probs | เทนเซอร์ | ลอย64 | ||
ขั้นตอน/ข้อมูล/qpos | เทนเซอร์ | (9,) | ลอย64 | |
ขั้นตอน/ข้อมูล/qvel | เทนเซอร์ | (9,) | ลอย64 | |
ขั้นตอน/is_first | เทนเซอร์ | บูล | ||
ขั้นตอน/is_last | เทนเซอร์ | บูล | ||
ขั้นตอน/is_terminal | เทนเซอร์ | บูล | ||
ขั้นตอน/การสังเกต | เทนเซอร์ | (17,) | ลอย64 | |
ขั้นตอน/รางวัล | เทนเซอร์ | ลอย64 |
- ตัวอย่าง ( tfds.as_dataframe ):
d4rl_mujoco_halfcheetah/v1-สุ่ม
ขนาดดาวน์โหลด :
145.19 MiB
ขนาดชุดข้อมูล :
171.18 MiB
แคชอัตโนมัติ ( เอกสารประกอบ ): เฉพาะเมื่อ
shuffle_files=False
(train)แยก :
แยก | ตัวอย่าง |
---|---|
'train' | 1,000 |
- โครงสร้างคุณสมบัติ :
FeaturesDict({
'steps': Dataset({
'action': Tensor(shape=(6,), dtype=float32),
'discount': float32,
'infos': FeaturesDict({
'action_log_probs': float32,
'qpos': Tensor(shape=(9,), dtype=float32),
'qvel': Tensor(shape=(9,), dtype=float32),
}),
'is_first': bool,
'is_last': bool,
'is_terminal': bool,
'observation': Tensor(shape=(17,), dtype=float32),
'reward': float32,
}),
})
- เอกสารคุณสมบัติ :
คุณสมบัติ | ระดับ | รูปร่าง | ประเภทD | คำอธิบาย |
---|---|---|---|---|
คุณสมบัติDict | ||||
ขั้นตอน | ชุดข้อมูล | |||
ขั้นตอน/การดำเนินการ | เทนเซอร์ | (6,) | ลอย32 | |
ขั้นตอน/ส่วนลด | เทนเซอร์ | ลอย32 | ||
ขั้นตอน/ข้อมูล | คุณสมบัติDict | |||
ขั้นตอน/ข้อมูล/action_log_probs | เทนเซอร์ | ลอย32 | ||
ขั้นตอน/ข้อมูล/qpos | เทนเซอร์ | (9,) | ลอย32 | |
ขั้นตอน/ข้อมูล/qvel | เทนเซอร์ | (9,) | ลอย32 | |
ขั้นตอน/is_first | เทนเซอร์ | บูล | ||
ขั้นตอน/is_last | เทนเซอร์ | บูล | ||
ขั้นตอน/is_terminal | เทนเซอร์ | บูล | ||
ขั้นตอน/การสังเกต | เทนเซอร์ | (17,) | ลอย32 | |
ขั้นตอน/รางวัล | เทนเซอร์ | ลอย32 |
- ตัวอย่าง ( tfds.as_dataframe ):
d4rl_mujoco_halfcheetah/v2-ผู้เชี่ยวชาญ
ขนาดดาวน์โหลด :
226.46 MiB
ขนาดชุดข้อมูล :
451.88 MiB
แคชอัตโนมัติ ( เอกสาร ): No
แยก :
แยก | ตัวอย่าง |
---|---|
'train' | 1,000 |
- โครงสร้างคุณสมบัติ :
FeaturesDict({
'algorithm': string,
'iteration': int32,
'policy': FeaturesDict({
'fc0': FeaturesDict({
'bias': Tensor(shape=(256,), dtype=float32),
'weight': Tensor(shape=(256, 17), dtype=float32),
}),
'fc1': FeaturesDict({
'bias': Tensor(shape=(256,), dtype=float32),
'weight': Tensor(shape=(256, 256), dtype=float32),
}),
'last_fc': FeaturesDict({
'bias': Tensor(shape=(6,), dtype=float32),
'weight': Tensor(shape=(6, 256), dtype=float32),
}),
'last_fc_log_std': FeaturesDict({
'bias': Tensor(shape=(6,), dtype=float32),
'weight': Tensor(shape=(6, 256), dtype=float32),
}),
'nonlinearity': string,
'output_distribution': string,
}),
'steps': Dataset({
'action': Tensor(shape=(6,), dtype=float32),
'discount': float32,
'infos': FeaturesDict({
'action_log_probs': float64,
'qpos': Tensor(shape=(9,), dtype=float64),
'qvel': Tensor(shape=(9,), dtype=float64),
}),
'is_first': bool,
'is_last': bool,
'is_terminal': bool,
'observation': Tensor(shape=(17,), dtype=float32),
'reward': float32,
}),
})
- เอกสารคุณสมบัติ :
คุณสมบัติ | ระดับ | รูปร่าง | ประเภทD | คำอธิบาย |
---|---|---|---|---|
คุณสมบัติDict | ||||
อัลกอริทึม | เทนเซอร์ | เชือก | ||
การวนซ้ำ | เทนเซอร์ | int32 | ||
นโยบาย | คุณสมบัติDict | |||
นโยบาย/fc0 | คุณสมบัติDict | |||
นโยบาย/fc0/อคติ | เทนเซอร์ | (256,) | ลอย32 | |
นโยบาย/fc0/น้ำหนัก | เทนเซอร์ | (256, 17) | ลอย32 | |
นโยบาย/fc1 | คุณสมบัติDict | |||
นโยบาย/fc1/อคติ | เทนเซอร์ | (256,) | ลอย32 | |
นโยบาย/fc1/น้ำหนัก | เทนเซอร์ | (256, 256) | ลอย32 | |
นโยบาย/last_fc | คุณสมบัติDict | |||
นโยบาย/last_fc/อคติ | เทนเซอร์ | (6,) | ลอย32 | |
นโยบาย/last_fc/น้ำหนัก | เทนเซอร์ | (6, 256) | ลอย32 | |
นโยบาย/last_fc_log_std | คุณสมบัติDict | |||
นโยบาย/last_fc_log_std/อคติ | เทนเซอร์ | (6,) | ลอย32 | |
นโยบาย/last_fc_log_std/น้ำหนัก | เทนเซอร์ | (6, 256) | ลอย32 | |
นโยบาย/ความไม่เชิงเส้น | เทนเซอร์ | เชือก | ||
นโยบาย/output_distribution | เทนเซอร์ | เชือก | ||
ขั้นตอน | ชุดข้อมูล | |||
ขั้นตอน/การดำเนินการ | เทนเซอร์ | (6,) | ลอย32 | |
ขั้นตอน/ส่วนลด | เทนเซอร์ | ลอย32 | ||
ขั้นตอน/ข้อมูล | คุณสมบัติDict | |||
ขั้นตอน/ข้อมูล/action_log_probs | เทนเซอร์ | ลอย64 | ||
ขั้นตอน/ข้อมูล/qpos | เทนเซอร์ | (9,) | ลอย64 | |
ขั้นตอน/ข้อมูล/qvel | เทนเซอร์ | (9,) | ลอย64 | |
ขั้นตอน/is_first | เทนเซอร์ | บูล | ||
ขั้นตอน/is_last | เทนเซอร์ | บูล | ||
ขั้นตอน/is_terminal | เทนเซอร์ | บูล | ||
ขั้นตอน/การสังเกต | เทนเซอร์ | (17,) | ลอย32 | |
ขั้นตอน/รางวัล | เทนเซอร์ | ลอย32 |
- ตัวอย่าง ( tfds.as_dataframe ):
d4rl_mujoco_halfcheetah/v2-เล่นซ้ำเต็ม
ขนาดดาวน์โหลด :
277.88 MiB
ขนาดชุดข้อมูล :
171.22 MiB
แคชอัตโนมัติ ( เอกสารประกอบ ): เฉพาะเมื่อ
shuffle_files=False
(train)แยก :
แยก | ตัวอย่าง |
---|---|
'train' | 1,000 |
- โครงสร้างคุณสมบัติ :
FeaturesDict({
'algorithm': string,
'iteration': int32,
'steps': Dataset({
'action': Tensor(shape=(6,), dtype=float32),
'discount': float32,
'infos': FeaturesDict({
'action_log_probs': float64,
'qpos': Tensor(shape=(9,), dtype=float64),
'qvel': Tensor(shape=(9,), dtype=float64),
}),
'is_first': bool,
'is_last': bool,
'is_terminal': bool,
'observation': Tensor(shape=(17,), dtype=float32),
'reward': float32,
}),
})
- เอกสารคุณสมบัติ :
คุณสมบัติ | ระดับ | รูปร่าง | ประเภทD | คำอธิบาย |
---|---|---|---|---|
คุณสมบัติDict | ||||
อัลกอริทึม | เทนเซอร์ | เชือก | ||
การวนซ้ำ | เทนเซอร์ | int32 | ||
ขั้นตอน | ชุดข้อมูล | |||
ขั้นตอน/การดำเนินการ | เทนเซอร์ | (6,) | ลอย32 | |
ขั้นตอน/ส่วนลด | เทนเซอร์ | ลอย32 | ||
ขั้นตอน/ข้อมูล | คุณสมบัติDict | |||
ขั้นตอน/ข้อมูล/action_log_probs | เทนเซอร์ | ลอย64 | ||
ขั้นตอน/ข้อมูล/qpos | เทนเซอร์ | (9,) | ลอย64 | |
ขั้นตอน/ข้อมูล/qvel | เทนเซอร์ | (9,) | ลอย64 | |
ขั้นตอน/is_first | เทนเซอร์ | บูล | ||
ขั้นตอน/is_last | เทนเซอร์ | บูล | ||
ขั้นตอน/is_terminal | เทนเซอร์ | บูล | ||
ขั้นตอน/การสังเกต | เทนเซอร์ | (17,) | ลอย32 | |
ขั้นตอน/รางวัล | เทนเซอร์ | ลอย32 |
- ตัวอย่าง ( tfds.as_dataframe ):
d4rl_mujoco_halfcheetah/v2-ขนาดกลาง
ขนาดดาวน์โหลด :
226.71 MiB
ขนาดชุดข้อมูล :
451.88 MiB
แคชอัตโนมัติ ( เอกสาร ): No
แยก :
แยก | ตัวอย่าง |
---|---|
'train' | 1,000 |
- โครงสร้างคุณสมบัติ :
FeaturesDict({
'algorithm': string,
'iteration': int32,
'policy': FeaturesDict({
'fc0': FeaturesDict({
'bias': Tensor(shape=(256,), dtype=float32),
'weight': Tensor(shape=(256, 17), dtype=float32),
}),
'fc1': FeaturesDict({
'bias': Tensor(shape=(256,), dtype=float32),
'weight': Tensor(shape=(256, 256), dtype=float32),
}),
'last_fc': FeaturesDict({
'bias': Tensor(shape=(6,), dtype=float32),
'weight': Tensor(shape=(6, 256), dtype=float32),
}),
'last_fc_log_std': FeaturesDict({
'bias': Tensor(shape=(6,), dtype=float32),
'weight': Tensor(shape=(6, 256), dtype=float32),
}),
'nonlinearity': string,
'output_distribution': string,
}),
'steps': Dataset({
'action': Tensor(shape=(6,), dtype=float32),
'discount': float32,
'infos': FeaturesDict({
'action_log_probs': float64,
'qpos': Tensor(shape=(9,), dtype=float64),
'qvel': Tensor(shape=(9,), dtype=float64),
}),
'is_first': bool,
'is_last': bool,
'is_terminal': bool,
'observation': Tensor(shape=(17,), dtype=float32),
'reward': float32,
}),
})
- เอกสารคุณสมบัติ :
คุณสมบัติ | ระดับ | รูปร่าง | ประเภทD | คำอธิบาย |
---|---|---|---|---|
คุณสมบัติDict | ||||
อัลกอริทึม | เทนเซอร์ | เชือก | ||
การวนซ้ำ | เทนเซอร์ | int32 | ||
นโยบาย | คุณสมบัติDict | |||
นโยบาย/fc0 | คุณสมบัติDict | |||
นโยบาย/fc0/อคติ | เทนเซอร์ | (256,) | ลอย32 | |
นโยบาย/fc0/น้ำหนัก | เทนเซอร์ | (256, 17) | ลอย32 | |
นโยบาย/fc1 | คุณสมบัติDict | |||
นโยบาย/fc1/อคติ | เทนเซอร์ | (256,) | ลอย32 | |
นโยบาย/fc1/น้ำหนัก | เทนเซอร์ | (256, 256) | ลอย32 | |
นโยบาย/last_fc | คุณสมบัติDict | |||
นโยบาย/last_fc/อคติ | เทนเซอร์ | (6,) | ลอย32 | |
นโยบาย/last_fc/น้ำหนัก | เทนเซอร์ | (6, 256) | ลอย32 | |
นโยบาย/last_fc_log_std | คุณสมบัติDict | |||
นโยบาย/last_fc_log_std/อคติ | เทนเซอร์ | (6,) | ลอย32 | |
นโยบาย/last_fc_log_std/น้ำหนัก | เทนเซอร์ | (6, 256) | ลอย32 | |
นโยบาย/ความไม่เชิงเส้น | เทนเซอร์ | เชือก | ||
นโยบาย/output_distribution | เทนเซอร์ | เชือก | ||
ขั้นตอน | ชุดข้อมูล | |||
ขั้นตอน/การดำเนินการ | เทนเซอร์ | (6,) | ลอย32 | |
ขั้นตอน/ส่วนลด | เทนเซอร์ | ลอย32 | ||
ขั้นตอน/ข้อมูล | คุณสมบัติDict | |||
ขั้นตอน/ข้อมูล/action_log_probs | เทนเซอร์ | ลอย64 | ||
ขั้นตอน/ข้อมูล/qpos | เทนเซอร์ | (9,) | ลอย64 | |
ขั้นตอน/ข้อมูล/qvel | เทนเซอร์ | (9,) | ลอย64 | |
ขั้นตอน/is_first | เทนเซอร์ | บูล | ||
ขั้นตอน/is_last | เทนเซอร์ | บูล | ||
ขั้นตอน/is_terminal | เทนเซอร์ | บูล | ||
ขั้นตอน/การสังเกต | เทนเซอร์ | (17,) | ลอย32 | |
ขั้นตอน/รางวัล | เทนเซอร์ | ลอย32 |
- ตัวอย่าง ( tfds.as_dataframe ):
d4rl_mujoco_halfcheetah/v2-ผู้เชี่ยวชาญระดับกลาง
ขนาดดาวน์โหลด :
452.58 MiB
ขนาดชุดข้อมูล :
342.37 MiB
แคชอัตโนมัติ ( เอกสาร ): No
แยก :
แยก | ตัวอย่าง |
---|---|
'train' | 2,000 |
- โครงสร้างคุณสมบัติ :
FeaturesDict({
'steps': Dataset({
'action': Tensor(shape=(6,), dtype=float32),
'discount': float32,
'infos': FeaturesDict({
'action_log_probs': float64,
'qpos': Tensor(shape=(9,), dtype=float64),
'qvel': Tensor(shape=(9,), dtype=float64),
}),
'is_first': bool,
'is_last': bool,
'is_terminal': bool,
'observation': Tensor(shape=(17,), dtype=float32),
'reward': float32,
}),
})
- เอกสารคุณสมบัติ :
คุณสมบัติ | ระดับ | รูปร่าง | ประเภทD | คำอธิบาย |
---|---|---|---|---|
คุณสมบัติDict | ||||
ขั้นตอน | ชุดข้อมูล | |||
ขั้นตอน/การดำเนินการ | เทนเซอร์ | (6,) | ลอย32 | |
ขั้นตอน/ส่วนลด | เทนเซอร์ | ลอย32 | ||
ขั้นตอน/ข้อมูล | คุณสมบัติDict | |||
ขั้นตอน/ข้อมูล/action_log_probs | เทนเซอร์ | ลอย64 | ||
ขั้นตอน/ข้อมูล/qpos | เทนเซอร์ | (9,) | ลอย64 | |
ขั้นตอน/ข้อมูล/qvel | เทนเซอร์ | (9,) | ลอย64 | |
ขั้นตอน/is_first | เทนเซอร์ | บูล | ||
ขั้นตอน/is_last | เทนเซอร์ | บูล | ||
ขั้นตอน/is_terminal | เทนเซอร์ | บูล | ||
ขั้นตอน/การสังเกต | เทนเซอร์ | (17,) | ลอย32 | |
ขั้นตอน/รางวัล | เทนเซอร์ | ลอย32 |
- ตัวอย่าง ( tfds.as_dataframe ):
d4rl_mujoco_halfcheetah/v2-เล่นซ้ำปานกลาง
ขนาดดาวน์โหลด :
56.69 MiB
ขนาดชุดข้อมูล :
34.59 MiB
แคชอัตโนมัติ ( เอกสาร ): ใช่
แยก :
แยก | ตัวอย่าง |
---|---|
'train' | 202 |
- โครงสร้างคุณสมบัติ :
FeaturesDict({
'algorithm': string,
'iteration': int32,
'steps': Dataset({
'action': Tensor(shape=(6,), dtype=float32),
'discount': float32,
'infos': FeaturesDict({
'action_log_probs': float64,
'qpos': Tensor(shape=(9,), dtype=float64),
'qvel': Tensor(shape=(9,), dtype=float64),
}),
'is_first': bool,
'is_last': bool,
'is_terminal': bool,
'observation': Tensor(shape=(17,), dtype=float32),
'reward': float32,
}),
})
- เอกสารคุณสมบัติ :
คุณสมบัติ | ระดับ | รูปร่าง | ประเภทD | คำอธิบาย |
---|---|---|---|---|
คุณสมบัติDict | ||||
อัลกอริทึม | เทนเซอร์ | เชือก | ||
การวนซ้ำ | เทนเซอร์ | int32 | ||
ขั้นตอน | ชุดข้อมูล | |||
ขั้นตอน/การดำเนินการ | เทนเซอร์ | (6,) | ลอย32 | |
ขั้นตอน/ส่วนลด | เทนเซอร์ | ลอย32 | ||
ขั้นตอน/ข้อมูล | คุณสมบัติDict | |||
ขั้นตอน/ข้อมูล/action_log_probs | เทนเซอร์ | ลอย64 | ||
ขั้นตอน/ข้อมูล/qpos | เทนเซอร์ | (9,) | ลอย64 | |
ขั้นตอน/ข้อมูล/qvel | เทนเซอร์ | (9,) | ลอย64 | |
ขั้นตอน/is_first | เทนเซอร์ | บูล | ||
ขั้นตอน/is_last | เทนเซอร์ | บูล | ||
ขั้นตอน/is_terminal | เทนเซอร์ | บูล | ||
ขั้นตอน/การสังเกต | เทนเซอร์ | (17,) | ลอย32 | |
ขั้นตอน/รางวัล | เทนเซอร์ | ลอย32 |
- ตัวอย่าง ( tfds.as_dataframe ):
d4rl_mujoco_halfcheetah/v2-สุ่ม
ขนาดดาวน์โหลด :
226.34 MiB
ขนาดชุดข้อมูล :
171.18 MiB
แคชอัตโนมัติ ( เอกสารประกอบ ): เฉพาะเมื่อ
shuffle_files=False
(train)แยก :
แยก | ตัวอย่าง |
---|---|
'train' | 1,000 |
- โครงสร้างคุณสมบัติ :
FeaturesDict({
'steps': Dataset({
'action': Tensor(shape=(6,), dtype=float32),
'discount': float32,
'infos': FeaturesDict({
'action_log_probs': float64,
'qpos': Tensor(shape=(9,), dtype=float64),
'qvel': Tensor(shape=(9,), dtype=float64),
}),
'is_first': bool,
'is_last': bool,
'is_terminal': bool,
'observation': Tensor(shape=(17,), dtype=float32),
'reward': float32,
}),
})
- เอกสารคุณสมบัติ :
คุณสมบัติ | ระดับ | รูปร่าง | ประเภทD | คำอธิบาย |
---|---|---|---|---|
คุณสมบัติDict | ||||
ขั้นตอน | ชุดข้อมูล | |||
ขั้นตอน/การดำเนินการ | เทนเซอร์ | (6,) | ลอย32 | |
ขั้นตอน/ส่วนลด | เทนเซอร์ | ลอย32 | ||
ขั้นตอน/ข้อมูล | คุณสมบัติDict | |||
ขั้นตอน/ข้อมูล/action_log_probs | เทนเซอร์ | ลอย64 | ||
ขั้นตอน/ข้อมูล/qpos | เทนเซอร์ | (9,) | ลอย64 | |
ขั้นตอน/ข้อมูล/qvel | เทนเซอร์ | (9,) | ลอย64 | |
ขั้นตอน/is_first | เทนเซอร์ | บูล | ||
ขั้นตอน/is_last | เทนเซอร์ | บูล | ||
ขั้นตอน/is_terminal | เทนเซอร์ | บูล | ||
ขั้นตอน/การสังเกต | เทนเซอร์ | (17,) | ลอย32 | |
ขั้นตอน/รางวัล | เทนเซอร์ | ลอย32 |
- ตัวอย่าง ( tfds.as_dataframe ):