lokomocja

• opis :

Zestawy danych zostały utworzone przy udziale agenta SAC przeszkolonego w zakresie nagrody środowiskowej za zadania związane z poruszaniem się MuJoCo. Te zestawy danych są używane w What Matters for Adversarial Imitation Learning? Orsini i in. 2021 .

Zbiory danych są zgodne z formatem RLDS, aby reprezentować kroki i odcinki

• Strona główna : https://github.com/google-research/rlds

• Kod źródłowy : tfds.rlds.locomotion.Locomotion

• Wersje :

  • 1.0.0 (domyślnie): Wersja początkowa.

• Klucze nadzorowane (Zobacz dokument as_supervised ): None

• Rysunek ( tfds.show_examples ): Nieobsługiwany.

• Cytat :

@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 (domyślna konfiguracja)

• Opis konfiguracji: zestaw danych wygenerowany przez agenta SAC przeszkolonego w zakresie 1 mln kroków dla Ant.

• Rozmiar pliku do pobrania : 6.49 MiB

• Rozmiar zestawu danych : 23.02 MiB

• Automatyczne buforowanie ( dokumentacja ): Tak

• Podziały :

• Struktura funkcji :

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,
    }),
})

• Dokumentacja funkcji :

• Przykłady ( tfds.as_dataframe ):

lokomocja/hopper_sac_1M_single_policy_stochastic

• Opis konfiguracji: zestaw danych wygenerowany przez agenta SAC przeszkolonego w zakresie 1 mln kroków dla Hoppera.

• Rozmiar pliku do pobrania : 2.26 MiB

• Rozmiar zestawu danych : 2.62 MiB

• Automatyczne buforowanie ( dokumentacja ): Tak

• Podziały :

• Struktura funkcji :

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,
    }),
})

• Dokumentacja funkcji :

• Przykłady ( tfds.as_dataframe ):

lokomocja/halfcheetah_sac_1M_single_policy_stochastic

• Opis konfiguracji: zestaw danych wygenerowany przez agenta SAC przeszkolonego w zakresie 1 mln kroków dla HalfCheetah.

• Rozmiar pliku do pobrania : 4.49 MiB

• Rozmiar zestawu danych : 4.93 MiB

• Automatyczne buforowanie ( dokumentacja ): Tak

• Podziały :

• Struktura funkcji :

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,
    }),
})

• Dokumentacja funkcji :

• Przykłady ( tfds.as_dataframe ):

lokomocja/walker2d_sac_1M_single_policy_stochastic

• Opis konfiguracji: zestaw danych wygenerowany przez agenta SAC przeszkolonego w zakresie 1 mln kroków dla Walker2d.

• Rozmiar pliku do pobrania : 4.35 MiB

• Rozmiar zestawu danych : 4.91 MiB

• Automatyczne buforowanie ( dokumentacja ): Tak

• Podziały :

• Struktura funkcji :

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,
    }),
})

• Dokumentacja funkcji :

• Przykłady ( tfds.as_dataframe ):

lokomocja/humanoid_sac_15M_single_policy_stochastic

• Opis konfiguracji: Zbiór danych wygenerowany przez agenta SAC przeszkolonego w zakresie 15 milionów kroków dla Humanoida.

• Rozmiar pliku do pobrania : 192.78 MiB

• Rozmiar zestawu danych : 300.94 MiB

• Automatyczne buforowanie ( dokumentacja ): Nie

• Podziały :

• Struktura funkcji :

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,
    }),
})

• Dokumentacja funkcji :

• Przykłady ( tfds.as_dataframe ):