O Dia da Comunidade de ML é dia 9 de novembro! Junte-nos para atualização de TensorFlow, JAX, e mais Saiba mais

d4rl_adroit_door

  • Descrição:

D4RL é uma referência de código aberto para aprendizagem por reforço offline. Ele fornece ambientes e conjuntos de dados padronizados para algoritmos de treinamento e benchmarking.

@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_adroit_door / v0-humano (configuração padrão)

  • Tamanho do download: 2.97 MiB

  • Conjunto de dados de tamanho: 3.36 MiB

  • Cache-Auto ( documentação ): Sim

  • desdobramentos:

Dividir Exemplos
'train' 50
  • Características:
FeaturesDict({
    'steps': Dataset({
        'action': Tensor(shape=(28,), dtype=tf.float32),
        'discount': tf.float32,
        'infos': FeaturesDict({
            'qpos': Tensor(shape=(30,), dtype=tf.float32),
            'qvel': Tensor(shape=(30,), dtype=tf.float32),
        }),
        'is_first': tf.bool,
        'is_last': tf.bool,
        'is_terminal': tf.bool,
        'observation': Tensor(shape=(39,), dtype=tf.float32),
        'reward': tf.float32,
    }),
})

d4rl_adroit_door / v0-clonado

  • Tamanho do download: 602.42 MiB

  • Dataset size: 497.47 MiB

  • Cache-Auto ( documentação ): Não

  • desdobramentos:

Dividir Exemplos
'train' 6.214
  • Características:
FeaturesDict({
    'steps': Dataset({
        'action': Tensor(shape=(28,), dtype=tf.float32),
        'discount': tf.float64,
        'infos': FeaturesDict({
            'qpos': Tensor(shape=(30,), dtype=tf.float64),
            'qvel': Tensor(shape=(30,), dtype=tf.float64),
        }),
        'is_first': tf.bool,
        'is_last': tf.bool,
        'is_terminal': tf.bool,
        'observation': Tensor(shape=(39,), dtype=tf.float64),
        'reward': tf.float64,
    }),
})

d4rl_adroit_door / v0-expert

  • Tamanho do download: 511.05 MiB

  • Dataset size: 710.30 MiB

  • Cache-Auto ( documentação ): Não

  • desdobramentos:

Dividir Exemplos
'train' 5.000
  • Características:
FeaturesDict({
    'steps': Dataset({
        'action': Tensor(shape=(28,), dtype=tf.float32),
        'discount': tf.float32,
        'infos': FeaturesDict({
            'action_logstd': Tensor(shape=(28,), dtype=tf.float32),
            'action_mean': Tensor(shape=(28,), dtype=tf.float32),
            'qpos': Tensor(shape=(30,), dtype=tf.float32),
            'qvel': Tensor(shape=(30,), dtype=tf.float32),
        }),
        'is_first': tf.bool,
        'is_last': tf.bool,
        'is_terminal': tf.bool,
        'observation': Tensor(shape=(39,), dtype=tf.float32),
        'reward': tf.float32,
    }),
})

d4rl_adroit_door / v1-humano

  • Tamanho do download: 2.98 MiB

  • Dataset tamanho: 3.42 MiB

  • Cache-Auto ( documentação ): Sim

  • desdobramentos:

Dividir Exemplos
'train' 25
  • Características:
FeaturesDict({
    'steps': Dataset({
        'action': Tensor(shape=(28,), dtype=tf.float32),
        'discount': tf.float32,
        'infos': FeaturesDict({
            'door_body_pos': Tensor(shape=(3,), dtype=tf.float32),
            'qpos': Tensor(shape=(30,), dtype=tf.float32),
            'qvel': Tensor(shape=(30,), dtype=tf.float32),
        }),
        'is_first': tf.bool,
        'is_last': tf.bool,
        'is_terminal': tf.bool,
        'observation': Tensor(shape=(39,), dtype=tf.float32),
        'reward': tf.float32,
    }),
})

d4rl_adroit_door / v1-cloned

  • Tamanho do download: 280.72 MiB

  • Tamanho do conjunto de dados: 1.85 GiB

  • Cache-Auto ( documentação ): Não

  • desdobramentos:

Dividir Exemplos
'train' 4.358
  • Características:
FeaturesDict({
    'algorithm': tf.string,
    'policy': FeaturesDict({
        'fc0': FeaturesDict({
            'bias': Tensor(shape=(256,), dtype=tf.float32),
            'weight': Tensor(shape=(39, 256), dtype=tf.float32),
        }),
        'fc1': FeaturesDict({
            'bias': Tensor(shape=(256,), dtype=tf.float32),
            'weight': Tensor(shape=(256, 256), dtype=tf.float32),
        }),
        'last_fc': FeaturesDict({
            'bias': Tensor(shape=(28,), dtype=tf.float32),
            'weight': Tensor(shape=(256, 28), dtype=tf.float32),
        }),
        'nonlinearity': tf.string,
        'output_distribution': tf.string,
    }),
    'steps': Dataset({
        'action': Tensor(shape=(28,), dtype=tf.float32),
        'discount': tf.float32,
        'infos': FeaturesDict({
            'door_body_pos': Tensor(shape=(3,), dtype=tf.float32),
            'qpos': Tensor(shape=(30,), dtype=tf.float32),
            'qvel': Tensor(shape=(30,), dtype=tf.float32),
        }),
        'is_first': tf.bool,
        'is_last': tf.bool,
        'is_terminal': tf.bool,
        'observation': Tensor(shape=(39,), dtype=tf.float32),
        'reward': tf.float32,
    }),
})

d4rl_adroit_door / v1-expert

  • Tamanho do download: 511.22 MiB

  • Dataset size: 803.48 MiB

  • Cache-Auto ( documentação ): Não

  • desdobramentos:

Dividir Exemplos
'train' 5.000
  • Características:
FeaturesDict({
    'algorithm': tf.string,
    'policy': FeaturesDict({
        'fc0': FeaturesDict({
            'bias': Tensor(shape=(32,), dtype=tf.float32),
            'weight': Tensor(shape=(32, 39), dtype=tf.float32),
        }),
        'fc1': FeaturesDict({
            'bias': Tensor(shape=(32,), dtype=tf.float32),
            'weight': Tensor(shape=(32, 32), dtype=tf.float32),
        }),
        'last_fc': FeaturesDict({
            'bias': Tensor(shape=(28,), dtype=tf.float32),
            'weight': Tensor(shape=(28, 32), dtype=tf.float32),
        }),
        'last_fc_log_std': FeaturesDict({
            'bias': Tensor(shape=(28,), dtype=tf.float32),
            'weight': Tensor(shape=(28, 32), dtype=tf.float32),
        }),
        'nonlinearity': tf.string,
        'output_distribution': tf.string,
    }),
    'steps': Dataset({
        'action': Tensor(shape=(28,), dtype=tf.float32),
        'discount': tf.float32,
        'infos': FeaturesDict({
            'action_log_std': Tensor(shape=(28,), dtype=tf.float32),
            'action_mean': Tensor(shape=(28,), dtype=tf.float32),
            'door_body_pos': Tensor(shape=(3,), dtype=tf.float32),
            'qpos': Tensor(shape=(30,), dtype=tf.float32),
            'qvel': Tensor(shape=(30,), dtype=tf.float32),
        }),
        'is_first': tf.bool,
        'is_last': tf.bool,
        'is_terminal': tf.bool,
        'observation': Tensor(shape=(39,), dtype=tf.float32),
        'reward': tf.float32,
    }),
})