執行一維一級倒立擺環境：
import gym
env = gym.make('cartpole-v0')
env.reset()
for _ in range(1000):
env.render()
env.step(env.action_space.sample())
import gym
#建立乙個環境
env = gym.make('cartpole-v0')
for i_episode in range(20):
#給環境乙個監視
observation = env.reset()
for t in range(100):
env.render()
print(observation)
#確定事件
action = env.action_space.sample()
observation, reward, done, info = env.step(action)
if done:
print("episode finished after {} timesteps".format(t+1))
break
1、observation (object):觀察，乙個與環境相關的物件描述你觀察到的環境。如相機的畫素資訊，機械人的角速度和角加速度，棋盤遊戲中的棋盤狀態。
2、reward (float)：回報，之前行為獲得的所有回報之和。不同環境的計算方式不一，但目標總是增加自己的總回報。
3、done (boolean)：判斷是否到了重新設定(reset)環境的時刻了。done 為true 說明該episode 完成。
4、info(dict):用於除錯的診斷資訊。但是，正式的評價這不允許使用該資訊進行學習。
常用的gym包含的包
from gym import spaces
from gym import envs
一 強化學習 RL 基礎
1.初探強化學習 1.什麼是強化學習？2.強化學習可以解決什麼問題？強化學習如何解決這些問題？2.強化學習 監督學習和非監督學習1.監督學習解決的是什麼問題？監督學習如何解決這些問題？2.強化學習與監督學習的差異 3.強化學習與非監督學習的差異 3.強化學習基礎理論 3.1.強化學習模型 ta t ...
最新 強化學習庫 RL庫
近日，為了讓工業界能更好地使用前沿強化學習演算法，帝國理工和普林斯頓 強化學習團隊發布了專門面向工業界的整套強化學習基線演算法庫 rlzoo。rlzoo 專案與目前大多數專案不同，是以面向非rl研究者設計的。該庫目前同時支援 openai gym,deepmind control suite 以及其...
RL（九）基於策略的強化學習
前面的演算法都是基於價值來算的，但是當處理連續動作的問題時，就顯得力不從心了，因為我們需要求的q錶太大，根本無法滿足我們的需要。前面我們在演算法分類的時候也講過，我們可以按基於價值和基於策略的方式來給rl分類，所以這篇部落格就是用基於策略演算法來求解強化學習問題。值函式近似法 在值函式近似法中，動作...