hareket

• Tanım :

Veri kümeleri, MuJoCo hareket görevlerinin çevre ödülü konusunda eğitim almış bir SAC aracısı ile oluşturuldu. Bu veri kümeleri , Çekişmeli Taklit Öğrenme İçin Ne Önemlidir? kitabında kullanılmaktadır. Orsini ve ark. 2021 .

Veri kümeleri, adımları ve bölümleri temsil etmek için RLDS formatını takip eder.

• Ana sayfa : https://github.com/google-research/rlds

• Kaynak kodu : tfds.rlds.datasets.locomotion.Locomotion

• Sürümler :

  • 1.0.0 (varsayılan): İlk sürüm.

• Denetlenen anahtarlar ( as_supervised belgesine bakın): None

• Şekil ( tfds.show_examples ): Desteklenmiyor.

• Alıntı :

@article{orsini2021matters,
  title={What Matters for Adversarial Imitation Learning?},
  author={Orsini, Manu and Raichuk, Anton and Hussenot, L{'e}onard and Vincent, Damien and Dadashi, Robert and Girgin, Sertan and Geist, Matthieu and Bachem, Olivier and Pietquin, Olivier and Andrychowicz, Marcin},
  journal={International Conference in Machine Learning},
  year={2021}
}

locomotion/ant_sac_1M_single_policy_stochastic (varsayılan yapılandırma)

• Yapılandırma açıklaması : Ant için 1 milyon adım için eğitilmiş bir SAC aracısı tarafından oluşturulan veri kümesi.

• İndirme boyutu : 6.49 MiB

• Veri kümesi boyutu : 23.02 MiB

• Otomatik önbelleğe alınmış ( belgeler ): Evet

• Bölünmeler :

• Özellik yapısı :

FeaturesDict({
    'steps': Dataset({
        'action': Tensor(shape=(8,), dtype=float32),
        'discount': float32,
        'is_first': bool,
        'is_last': bool,
        'is_terminal': bool,
        'observation': Tensor(shape=(111,), dtype=float32),
        'reward': float32,
    }),
})

• Özellik belgeleri :

• Örnekler ( tfds.as_dataframe ):

hareket/hopper_sac_1M_single_policy_stochastic

• Yapılandırma açıklaması : Hopper için 1 milyon adım konusunda eğitilmiş bir SAC aracısı tarafından oluşturulan veri kümesi.

• İndirme boyutu : 2.26 MiB

• Veri kümesi boyutu : 2.62 MiB

• Otomatik önbelleğe alınmış ( belgeler ): Evet

• Bölünmeler :

• Özellik yapısı :

FeaturesDict({
    'steps': Dataset({
        'action': Tensor(shape=(3,), dtype=float32),
        'discount': float32,
        'is_first': bool,
        'is_last': bool,
        'is_terminal': bool,
        'observation': Tensor(shape=(11,), dtype=float32),
        'reward': float32,
    }),
})

• Özellik belgeleri :

• Örnekler ( tfds.as_dataframe ):

hareket/halfcheetah_sac_1M_single_policy_stochastic

• Yapılandırma açıklaması : HalfCheetah için 1 milyon adım eğitimi almış bir SAC aracısı tarafından oluşturulan veri kümesi.

• İndirme boyutu : 4.49 MiB

• Veri kümesi boyutu : 4.93 MiB

• Otomatik önbelleğe alınmış ( belgeler ): Evet

• Bölünmeler :

• Özellik yapısı :

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,
    }),
})

• Özellik belgeleri :

• Örnekler ( tfds.as_dataframe ):

hareket/yürüteç2d_sac_1M_single_policy_stochastic

• Yapılandırma açıklaması : Walker2d için 1 milyon adım için eğitilmiş bir SAC aracısı tarafından oluşturulan veri kümesi.

• İndirme boyutu : 4.35 MiB

• Veri kümesi boyutu : 4.91 MiB

• Otomatik önbelleğe alınmış ( belgeler ): Evet

• Bölünmeler :

• Özellik yapısı :

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,
    }),
})

• Özellik belgeleri :

• Örnekler ( tfds.as_dataframe ):

hareket/humanoid_sac_15M_single_policy_stochastic

• Yapılandırma açıklaması : İnsansı için 15 milyon adım için eğitilmiş bir SAC aracısı tarafından oluşturulan veri kümesi.

• İndirme boyutu : 192.78 MiB

• Veri kümesi boyutu : 300.94 MiB

• Otomatik önbelleğe alınmış ( belgeler ): Hayır

• Bölünmeler :

• Özellik yapısı :

FeaturesDict({
    'steps': Dataset({
        'action': Tensor(shape=(17,), dtype=float32),
        'discount': float32,
        'is_first': bool,
        'is_last': bool,
        'is_terminal': bool,
        'observation': Tensor(shape=(376,), dtype=float32),
        'reward': float32,
    }),
})

• Özellik belgeleri :

• Örnekler ( tfds.as_dataframe ):