Gymnasium er et open source-værktøjssæt designet til udvikling og evaluering af reinforcement learning (RL) agenter. Det tilbyder en samling af standardmiljøer til effektiv test af algoritmer og træning af agenter.

Nøglefunktioner

• Standardiseret API: sikrer kompatibilitet på tværs af forskellige miljøer;
• Variation af miljøer: understøtter klassiske kontrolproblemer, Atari-spil og robotiksimuleringer;
• Nem integration: kompatibel med deep learning-rammeværker som TensorFlow og PyTorch.

Arbejdsgang

En typisk arbejdsgang i Gymnasium ser således ud:

1. Importér biblioteket

import gymnasium as gym

Efter det oprindelige gym-bibliotek blev afbrudt, anbefales det nu at bruge gymnasium — en vedligeholdt og aktivt udviklet fork af gym. På trods af navneændringen importeres biblioteket stadig ofte med aliaset gym for bagudkompatibilitet og bekvemmelighed.

2. Opret et miljø

env = gym.make("CartPole-v1")

Funktionen gym.make() opretter et miljø ved hjælp af dets unikke identifikator (f.eks. "CartPole-v1"). Du kan også angive yderligere konfigurationsparametre afhængigt af miljøets krav.

3. Nulstil miljøet

observation, info = env.reset()

Før du interagerer med miljøet, skal du nulstille det til dets starttilstand med env.reset(). Dette returnerer:

• observation: miljøets starttilstand;
• info: hjælpeoplysninger, som kan inkludere metadata eller tilstandsspecifik konfiguration.

4. Interagér med miljøet

action = env.action_space.sample()
observation, reward, terminated, truncated, info = env.step(action)

I første linje vælges en tilfældig handling fra action space ved hjælp af env.action_space.sample(). Action space definerer mængden af alle mulige handlinger, agenten kan udføre i miljøet. Derudover tilbyder miljøet observation space, som kan tilgås via env.observation_space og repræsenterer mængden af alle mulige observationer (tilstande), agenten kan opleve.

I anden linje sendes den valgte handling til env.step(action), som udfører handlingen og returnerer følgende:

• observation: agentens nye tilstand efter handlingen;
• reward: belønningen for den udførte handling;
• terminated: en boolsk værdi, der angiver, om episoden er afsluttet (dvs. opgaven er fuldført);
• truncated: en boolsk værdi, der angiver, om episoden blev afbrudt før tid (på grund af tid eller andre begrænsninger);
• info: yderligere diagnostiske oplysninger, ofte brugt til fejlfinding eller logning.

5. Luk miljøet

env.close()

Hvis dit miljø bruger eksterne ressourcer (f.eks. renderingsvinduer eller simulationer), bør du lukke det med env.close().