d4rl_adroit_hammer

• Açıklama :

D4RL, çevrimdışı pekiştirmeli öğrenme için açık kaynaklı bir kıyaslamadır. Eğitim ve kıyaslama algoritmaları için standartlaştırılmış ortamlar ve veri kümeleri sağlar.

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

• Yapılandırma açıklaması : https://github.com/rail-berkeley/d4rl/wiki/Tasks#adroit adresinde görev ve sürümleri hakkında daha fazla ayrıntı görün

• Ana sayfa : https://sites.google.com/view/d4rl/home

• Kaynak kodu : tfds.d4rl.d4rl_adroit_hammer.D4rlAdroitHammer

• Sürümler :

  • 1.0.0 : İlk sürüm.
  • 1.1.0 (varsayılan): is_last eklendi.

• Denetimli anahtarlar (bkz as_supervised doc ): None

• Şekil ( tfds.show_examples ): Desteklenmez.

• alıntı :

@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_hammer/v0-insan (varsayılan yapılandırma)

• İndirme boyutu : 5.33 MiB

• Veri kümesi boyutu : 6.10 MiB

• Otomatik önbelleğe alınmış ( belgeler ): Evet

• Bölmeler :

• Özellik yapısı :

FeaturesDict({
    'steps': Dataset({
        'action': Tensor(shape=(26,), dtype=tf.float32),
        'discount': tf.float32,
        'infos': FeaturesDict({
            'qpos': Tensor(shape=(33,), dtype=tf.float32),
            'qvel': Tensor(shape=(33,), dtype=tf.float32),
        }),
        'is_first': tf.bool,
        'is_last': tf.bool,
        'is_terminal': tf.bool,
        'observation': Tensor(shape=(46,), dtype=tf.float32),
        'reward': tf.float32,
    }),
})

• Özellik belgeleri :

• Örnekler ( tfds.as_dataframe ):

d4rl_adroit_hammer/v0-klonlanmış

• İndirme boyutu : 644.69 MiB

• Veri kümesi boyutu : 538.97 MiB

• Otomatik önbelleğe alınmış ( belgeler ): Hayır

• Bölmeler :

• Özellik yapısı :

FeaturesDict({
    'steps': Dataset({
        'action': Tensor(shape=(26,), dtype=tf.float32),
        'discount': tf.float64,
        'infos': FeaturesDict({
            'qpos': Tensor(shape=(33,), dtype=tf.float64),
            'qvel': Tensor(shape=(33,), dtype=tf.float64),
        }),
        'is_first': tf.bool,
        'is_last': tf.bool,
        'is_terminal': tf.bool,
        'observation': Tensor(shape=(46,), dtype=tf.float64),
        'reward': tf.float64,
    }),
})

• Özellik belgeleri :

• Örnekler ( tfds.as_dataframe ):

d4rl_adroit_hammer/v0-uzmanı

• İndirme boyutu : 529.91 MiB

• Veri kümesi boyutu : 737.00 MiB

• Otomatik önbelleğe alınmış ( belgeler ): Hayır

• Bölmeler :

• Özellik yapısı :

FeaturesDict({
    'steps': Dataset({
        'action': Tensor(shape=(26,), dtype=tf.float32),
        'discount': tf.float32,
        'infos': FeaturesDict({
            'action_logstd': Tensor(shape=(26,), dtype=tf.float32),
            'action_mean': Tensor(shape=(26,), dtype=tf.float32),
            'qpos': Tensor(shape=(33,), dtype=tf.float32),
            'qvel': Tensor(shape=(33,), dtype=tf.float32),
        }),
        'is_first': tf.bool,
        'is_last': tf.bool,
        'is_terminal': tf.bool,
        'observation': Tensor(shape=(46,), dtype=tf.float32),
        'reward': tf.float32,
    }),
})

• Özellik belgeleri :

• Örnekler ( tfds.as_dataframe ):

d4rl_adroit_hammer/v1-insan

• İndirme boyutu : 5.35 MiB

• Veri kümesi boyutu : 6.34 MiB

• Otomatik önbelleğe alınmış ( belgeler ): Evet

• Bölmeler :

• Özellik yapısı :

FeaturesDict({
    'steps': Dataset({
        'action': Tensor(shape=(26,), dtype=tf.float32),
        'discount': tf.float32,
        'infos': FeaturesDict({
            'board_pos': Tensor(shape=(3,), dtype=tf.float32),
            'qpos': Tensor(shape=(33,), dtype=tf.float32),
            'qvel': Tensor(shape=(33,), dtype=tf.float32),
            'target_pos': Tensor(shape=(3,), dtype=tf.float32),
        }),
        'is_first': tf.bool,
        'is_last': tf.bool,
        'is_terminal': tf.bool,
        'observation': Tensor(shape=(46,), dtype=tf.float32),
        'reward': tf.float32,
    }),
})

• Özellik belgeleri :

• Örnekler ( tfds.as_dataframe ):

d4rl_adroit_hammer/v1-klonlanmış

• İndirme boyutu : 425.93 MiB

• Veri kümesi boyutu : 1.68 GiB

• Otomatik önbelleğe alınmış ( belgeler ): Hayır

• Bölmeler :

• Özellik yapısı :

FeaturesDict({
    'algorithm': tf.string,
    'policy': FeaturesDict({
        'fc0': FeaturesDict({
            'bias': Tensor(shape=(256,), dtype=tf.float32),
            'weight': Tensor(shape=(46, 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=(26,), dtype=tf.float32),
            'weight': Tensor(shape=(256, 26), dtype=tf.float32),
        }),
        'nonlinearity': tf.string,
        'output_distribution': tf.string,
    }),
    'steps': Dataset({
        'action': Tensor(shape=(26,), dtype=tf.float32),
        'discount': tf.float32,
        'infos': FeaturesDict({
            'board_pos': Tensor(shape=(3,), dtype=tf.float32),
            'qpos': Tensor(shape=(33,), dtype=tf.float32),
            'qvel': Tensor(shape=(33,), dtype=tf.float32),
            'target_pos': Tensor(shape=(3,), dtype=tf.float32),
        }),
        'is_first': tf.bool,
        'is_last': tf.bool,
        'is_terminal': tf.bool,
        'observation': Tensor(shape=(46,), dtype=tf.float32),
        'reward': tf.float32,
    }),
})

• Özellik belgeleri :

• Örnekler ( tfds.as_dataframe ):

d4rl_adroit_hammer/v1-uzman

• İndirme boyutu : 531.24 MiB

• Veri kümesi boyutu : 843.54 MiB

• Otomatik önbelleğe alınmış ( belgeler ): Hayır

• Bölmeler :

• Özellik yapısı :

FeaturesDict({
    'algorithm': tf.string,
    'policy': FeaturesDict({
        'fc0': FeaturesDict({
            'bias': Tensor(shape=(32,), dtype=tf.float32),
            'weight': Tensor(shape=(32, 46), 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=(26,), dtype=tf.float32),
            'weight': Tensor(shape=(26, 32), dtype=tf.float32),
        }),
        'last_fc_log_std': FeaturesDict({
            'bias': Tensor(shape=(26,), dtype=tf.float32),
            'weight': Tensor(shape=(26, 32), dtype=tf.float32),
        }),
        'nonlinearity': tf.string,
        'output_distribution': tf.string,
    }),
    'steps': Dataset({
        'action': Tensor(shape=(26,), dtype=tf.float32),
        'discount': tf.float32,
        'infos': FeaturesDict({
            'action_log_std': Tensor(shape=(26,), dtype=tf.float32),
            'action_mean': Tensor(shape=(26,), dtype=tf.float32),
            'board_pos': Tensor(shape=(3,), dtype=tf.float32),
            'qpos': Tensor(shape=(33,), dtype=tf.float32),
            'qvel': Tensor(shape=(33,), dtype=tf.float32),
            'target_pos': Tensor(shape=(3,), dtype=tf.float32),
        }),
        'is_first': tf.bool,
        'is_last': tf.bool,
        'is_terminal': tf.bool,
        'observation': Tensor(shape=(46,), dtype=tf.float32),
        'reward': tf.float32,
    }),
})

• Özellik belgeleri :

• Örnekler ( tfds.as_dataframe ):