sự vận động

• Sự miêu tả :

Các bộ dữ liệu được tạo bởi một đặc vụ SAC được đào tạo về phần thưởng môi trường cho các nhiệm vụ vận động MuJoCo. Những bộ dữ liệu này được sử dụng trong Điều gì quan trọng đối với việc học bắt chước đối nghịch? Orsini và cộng sự. 2021 .

Các bộ dữ liệu tuân theo định dạng RLDS để thể hiện các bước và các tập.

• Trang chủ : https://github.com/google-research/rlds

• Mã nguồn : tfds.rlds.datasets.locomotion.Locomotion

• Phiên bản :

  • 1.0.0 (mặc định): Bản phát hành đầu tiên.

• Khóa được giám sát (Xem as_supervised doc ): None

• Hình ( tfds.show_examples ): Không được hỗ trợ.

• Trích dẫn :

@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 (cấu hình mặc định)

• Mô tả cấu hình : Tập dữ liệu được tạo bởi tác nhân SAC được đào tạo trong 1M bước cho Ant.

• Kích thước tải xuống : 6.49 MiB

• Kích thước tập dữ liệu : 23.02 MiB

• Tự động lưu vào bộ nhớ đệm ( tài liệu ): Có

• Chia tách :

• Cấu trúc tính năng :

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,
    }),
})

• Tài liệu tính năng :

• Ví dụ ( tfds.as_dataframe ):

đầu máy/hopper_sac_1M_single_policy_stochastic

• Mô tả cấu hình : Tập dữ liệu được tạo bởi tác nhân SAC được đào tạo cho 1M bước cho Hopper.

• Kích thước tải xuống : 2.26 MiB

• Kích thước tập dữ liệu : 2.62 MiB

• Tự động lưu vào bộ nhớ đệm ( tài liệu ): Có

• Chia tách :

• Cấu trúc tính năng :

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,
    }),
})

• Tài liệu tính năng :

• Ví dụ ( tfds.as_dataframe ):

đầu máy/halfcheetah_sac_1M_single_policy_stochastic

• Mô tả cấu hình : Tập dữ liệu được tạo bởi tác nhân SAC được đào tạo trong 1M bước cho HalfCheetah.

• Kích thước tải xuống : 4.49 MiB

• Kích thước tập dữ liệu : 4.93 MiB

• Tự động lưu vào bộ nhớ đệm ( tài liệu ): Có

• Chia tách :

• Cấu trúc tính năng :

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,
    }),
})

• Tài liệu tính năng :

• Ví dụ ( tfds.as_dataframe ):

đầu máy/walker2d_sac_1M_single_policy_stochastic

• Mô tả cấu hình : Tập dữ liệu được tạo bởi tác nhân SAC được đào tạo cho 1M bước cho Walker2d.

• Kích thước tải xuống : 4.35 MiB

• Kích thước tập dữ liệu : 4.91 MiB

• Tự động lưu vào bộ nhớ đệm ( tài liệu ): Có

• Chia tách :

• Cấu trúc tính năng :

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,
    }),
})

• Tài liệu tính năng :

• Ví dụ ( tfds.as_dataframe ):

đầu máy/humanoid_sac_15M_single_policy_stochastic

• Mô tả cấu hình : Tập dữ liệu được tạo bởi đặc vụ SAC được đào tạo trong 15 triệu bước cho Humanoid.

• Kích thước tải xuống : 192.78 MiB

• Kích thước tập dữ liệu : 300.94 MiB

• Tự động lưu vào bộ nhớ đệm ( tài liệu ): Không

• Chia tách :

• Cấu trúc tính năng :

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,
    }),
})

• Tài liệu tính năng :

• Ví dụ ( tfds.as_dataframe ):