Outils pour utilisateurs

Outils du site


apprentissage_par_renforcement

Différences

Ci-dessous, les différences entre deux révisions de la page.

Lien vers cette vue comparative

Les deux révisions précédentesRévision précédente
Prochaine révision
Révision précédente
apprentissage_par_renforcement [2020/12/30 17:24] – [Frameworks possibles] sergeapprentissage_par_renforcement [2022/02/10 07:52] (Version actuelle) – [Apprentissage Par Renforcement] serge
Ligne 1: Ligne 1:
 ====== Apprentissage Par Renforcement ====== ====== Apprentissage Par Renforcement ======
- 
 <WRAP center round box 60% centeralign> <WRAP center round box 60% centeralign>
 **{{tagpage>ia|Intelligence Artificielle}}**     **[[http://translate.google.com/translate?hl=&sl=auto&tl=en&u=https%3A%2F%2Fressources.labomedia.org%2Fapprentissage_par_renforcement|English Version]]** **{{tagpage>ia|Intelligence Artificielle}}**     **[[http://translate.google.com/translate?hl=&sl=auto&tl=en&u=https%3A%2F%2Fressources.labomedia.org%2Fapprentissage_par_renforcement|English Version]]**
Ligne 7: Ligne 6:
 **[[les_pages_intelligence_artificielle_en_details|Les Pages Intelligence Artificielle en détails]]** **[[les_pages_intelligence_artificielle_en_details|Les Pages Intelligence Artificielle en détails]]**
 </WRAP> </WRAP>
- 
 {{ :media_14:cartpole.gif |}} {{ :media_14:cartpole.gif |}}
 +
 +===== Le Hello World de l'Apprentissage Par Renforcement =====
 +<WRAP group>
 +<WRAP third column>
 +Linéaire:
 +{{youtube>qMlcsc43-lg?small}}
 +</WRAP>
 +<WRAP third column>
 +Rotatif:
 +{{youtube>pbvmbebFZoY?small}}
 +</WRAP>
 +<WRAP third column>
 +Flying:
 +{{youtube>15DIidigArA?small}}
 +</WRAP>
 +</WRAP>
 +  * Rotary Inverted Pendulum: Swing Up and Stabilization https://www.youtube.com/watch?v=2koXcs0IhOc
 +  * Double Inverted Furuta Pendulum https://www.youtube.com/watch?v=lwJ2jzVexaI
 +  * Furuta Pendulum avec une belle finition https://www.youtube.com/watch?v=VVQ-PGfJMuA
 =====Apprentissage par renforcement===== =====Apprentissage par renforcement=====
   * **[[https://fr.wikipedia.org/wiki/Apprentissage_par_renforcement|Apprentissage par renforcement @ fr.wikipedia.org]]**. En intelligence artificielle, plus précisément en apprentissage automatique, l'apprentissage par renforcement consiste, pour un agent autonome (robot, etc.), à apprendre à partir d'expériences, de façon à optimiser une récompense quantitative au cours du temps, positive ou négative. En répétant les expériences, le robot progresse.   * **[[https://fr.wikipedia.org/wiki/Apprentissage_par_renforcement|Apprentissage par renforcement @ fr.wikipedia.org]]**. En intelligence artificielle, plus précisément en apprentissage automatique, l'apprentissage par renforcement consiste, pour un agent autonome (robot, etc.), à apprendre à partir d'expériences, de façon à optimiser une récompense quantitative au cours du temps, positive ou négative. En répétant les expériences, le robot progresse.
  
-====Directeur Semour Skinner====+====Directeur Seymour Skinner====
 {{ youtube>0cmklEiZFYI?medium }} {{ youtube>0cmklEiZFYI?medium }}
 Le directeur de l'école des enfants **[[https://fr.wikipedia.org/wiki/Les_Simpson|Simpson]]** s'appelle **[[https://fr.wikipedia.org/wiki/Seymour_Skinner|Seymour Skinner]]**, inspiré de **[[https://fr.wikipedia.org/wiki/Burrhus_Frederic_Skinner|Burrhus Frederic Skinner]]**, inventeur de la **[[https://fr.wikipedia.org/wiki/Bo%C3%AEte_de_Skinner|Boîte de Skinner]]** Le directeur de l'école des enfants **[[https://fr.wikipedia.org/wiki/Les_Simpson|Simpson]]** s'appelle **[[https://fr.wikipedia.org/wiki/Seymour_Skinner|Seymour Skinner]]**, inspiré de **[[https://fr.wikipedia.org/wiki/Burrhus_Frederic_Skinner|Burrhus Frederic Skinner]]**, inventeur de la **[[https://fr.wikipedia.org/wiki/Bo%C3%AEte_de_Skinner|Boîte de Skinner]]**
- 
 {{ :media_14:23765.jpg?400 |}} {{ :media_14:23765.jpg?400 |}}
-=====Ressources=====+ 
 +=====Q-learning===== 
 +==== Ressources ====
   * [[https://blog.octo.com/lapprentissage-par-renforcement-demystifie/|L’apprentissage par renforcement démystifié @ blog.octo.com]]   * [[https://blog.octo.com/lapprentissage-par-renforcement-demystifie/|L’apprentissage par renforcement démystifié @ blog.octo.com]]
   * [[https://www.journaldunet.com/solutions/dsi/1423283-quatre-frameworks-pour-passer-au-reinforcement-learning/|Quatre frameworks pour passer au reinforcement learning @ journaldunet.com]]    * [[https://www.journaldunet.com/solutions/dsi/1423283-quatre-frameworks-pour-passer-au-reinforcement-learning/|Quatre frameworks pour passer au reinforcement learning @ journaldunet.com]] 
 +  * Le [[https://fr.wikipedia.org/wiki/Q-learning|Q-learning]] est une technique d'apprentissage par renforcement. La lettre 'Q' désigne la fonction qui mesure la qualité d'une action exécutée dans un état donné du système.
 +  * [[https://winderresearch.com/a-comparison-of-reinforcement-learning-frameworks-dopamine-rllib-keras-rl-coach-trfl-tensorforce-coach-and-more/|Dopamine, RLLib, Keras-RL, Coach, TRFL, Tensorforce, Coach and more]] @ winderresearch.com/
 +  * [[https://larevueia.fr/apprentissage-par-renforcement/|Apprentissage par renforcement]] @ larevueia.fr Article général.
 +  * [[https://neptune.ai/blog/the-best-tools-for-reinforcement-learning-in-python|The Best Tools for Reinforcement Learning in Python You Actually Want to Try]] Posted November 17, 2020, compare KerasRL, Tensorforce, Pyqlearning, RL_Coach, TFAgents, MAME RL, MushroomRL
 +  * [[https://github.com/aidudezzz/deepbots|commande de robots]]
  
-=====Frameworks possibles=====+====Principe vulgarisé d'une boucle PID=== 
 +  * [[https://fr.wikipedia.org/wiki/R%C3%A9gulateur_PID|Régulateur PID]] sur Wikipedia. 2 images de l'article:
  
-    +Dans une boucle de régulation, il faut atteindre la valeur de consigne le plus vite possible, mais sans dépasser la valeur, sans à dire "sans pomper"
 +{{ :media_14:reponse_echelon_pid.jpg?300 | }}\\ 
 +Une boucle PID (proportionnelle dérivée intégrale) est très performante: 
 +{{ :media_14:correcteurpidclassique.jpg?500 |}} 
 + 
 +====Principe vulgarisé de l'Apprentissage par Renforcement==== 
 +**RL = Reinforcement Learning = Apprentissage par Renforcement** 
 +{{ :media_14:apprentissage-par-renforcement.png?400 |}} 
 +L'IA (Intelligence Artificielle) dont nous parlons ici n'est pas intelligente, par contre l'auteur est intelligent sinon il n'aurait jamais réussi à faire un truc pareil!\\ 
 +Dans l'exemple du pendule: 
 +L'**agent** est le programme de RL de l'**IA**.\\ 
 +L'**action** est "à droite" ou "à gauche".\\ 
 +L’**environnement** est l'installation du pendule, le capteur de mesure de l'angle du pendule, le moteur droite gauche. Il retourne l'**état** soit la position et la vitesse du chariot, l'angle et la vitesse de rotation du pendule, mis à jour un peu après l'application d'une action.\\ 
 +La **récompense** est calculée en fonction de l'état.\\ 
 +Une nouvelle **action** est calculée par l'agent. L'agent s'optimise pour avoir la plus grande récompense possible. 
 +[[https://ressources.labomedia.org/apprentissage_par_renforcement#comment_est_definit_l_objectif_a_atteindre|Des explications]] sur le calcul de la récompense.\\ 
 +Dans [[https://ressources.labomedia.org/apprentissage_par_renforcement#le_jeu_du_pendule_dans_blender|Le jeu du pendule dans Blender]], l'environnement est Blender, l'IA sont gym, baselines, les scripts. La communication entre l'IA et Blender se fait en OSC: l'action est envoyée, Blender retourne le résultat de cette action. 
 + 
 +=====Frameworks possibles=====
 ====Gym de OpenAI==== ====Gym de OpenAI====
 ===OpenAI=== ===OpenAI===
-  * **[[https://openai.com/|openai.com]]**  +[[https://fr.wikipedia.org/wiki/OpenAI|fr.wikipedia.org]] **[[https://openai.com/|openai.com]]**  est une entreprise à « but lucratif plafonné » en intelligence artificielle, basée à San Francisco. En 2019, OpenAI a reçu a 1 000 000 000 $ de Microsoft. OpenAi utilise [[https://blogs.microsoft.com/ai/openai-azure-supercomputer/|le super Calculateur de Micro$]] pour ses apprentissages.\\ Avant mars 2019, elle était reconnue association à but non lucratif. L'objectif de cette société était de promouvoir et développer une intelligence artificielle à visage humain qui bénéficierait à toute l'humanité. L'objectif actuel est de se faire des $. 
-[[https://fr.wikipedia.org/wiki/OpenAI|fr.wikipedia.org]] **OpenAI** est une entreprise à « but lucratif plafonné » en intelligence artificielle, basée à San Francisco. En 2019, OpenAI a reçu a 1 000 000 000 $ de Microsoft. OpenAi utilise le super Calculateur de Micro$ pour ses apprentissages.\\ Avant mars 2019, elle était reconnue association à but non lucratif. L'objectif de cette société est de promouvoir et développer une intelligence artificielle à visage humain qui bénéficiera à toute l'humanité. Mais surtout, à se faire des $.+
 ===Gym=== ===Gym===
-  * https://en.wikipedia.org/wiki/OpenAI#Gym +Gym is a toolkit for developing and comparing reinforcement learning algorithms: [[https://en.wikipedia.org/wiki/OpenAI#Gym|Gym]] @ en.wikipedia.org, [[https://github.com/openai/gym|Gym]] @ github.com/openai, [[http://gym.openai.com/docs/|Gym]] @ gym.openai.com/docs
-  * https://github.com/openai/gym +
-  * http://gym.openai.com/docs/+
  
-====Horizon de Facebook serait devenu ReAgent==== +====Baselines vs Stable-baselines vs Stable-baselines3==== 
-  * [[https://engineering.fb.com/2018/11/01/ml-applications/horizon/|]] +===Baselines=== 
-  [[https://github.com/facebookresearch/ReAgent|ReAgent @ github.com/facebookresearch]] +[[https://github.com/openai/baselines|Baselines]] est un projet OpenAIMal foutu, plus maintenu.
-  * [[https://github.com/facebookresearch/ReAgent/blob/master/docs/usage.rst|Documentation]] +
-  * [[https://github.com/facebookresearch/ReAgent/blob/master/docs/rasp_tutorial.rst|Tutorial]]+
  
 +===Stable-baselines===
 +Le code de Stable-baselines est le code de Baselines nettoyé, amélioré, documenté. **[[https://stable-baselines.readthedocs.io/en/master/index.html|Documentation de stable-baselines]]** @ stable-baselines.readthedocs.io
  
-====Dopamine de Google==== +   sudo pip3 install stable-baselines
-  * [[https://ai.googleblog.com/2018/08/introducing-new-framework-for-flexible.html| +
-Introducing a New Framework for Flexible and Reproducible Reinforcement Learning Research @ ai.googleblog.com]] +
-  * [[https://github.com/google/dopamine|dopamine @ github.com]] +
-  * [[https://github.com/google/dopamine/tree/master/docs|La documentation]]+
  
 +===Stable-baselines3===
 +**[[https://stable-baselines3.readthedocs.io/en/master/|Stable-Baselines3]]** est la prochaine version. Mais beaucoup d'exemples ne sont plus compatibles. **[[https://stable-baselines3.readthedocs.io/en/master/guide/examples.html|Documentation de stable-baselines3]]** @ stable-baselines3.readthedocs.io
  
 +  sudo pip3 install stable-baselines3 stable-baselines3[extra]
  
-====Keras, le framework créé par un ingénieur français==== +=====Modélisation d'un système physique===== 
-  [[https://keras-rl.readthedocs.io/en/latest/core/|Keras-RL Documentation @ keras-rl.readthedocs.io]]+Pour les exemples de la doc du pendule, compris dans gym, les calculs physiques sont quelques lignes 
 +dans le fichier de "env". Le rendu est effectué avec [[http://pyglet.org/|pyglet]], [[pyglet_cross-platform_windowing_and_multimedia_library|présenté ici]]Un step [[https://github.com/sergeLabo/balance/blob/main/cartpole_doc_baselines.py|ici]] dure 1 ms avec 4 CPU, dans Blender un step dure 20 ms.\\ 
 +Un fichier pour le tester: [[https://github.com/sergeLabo/balance/blob/main/cartpole_doc_baselines.py|cartpole_doc_baselines.py]]
  
-=====Q-learning===== +Dans le § suivant, un pendule est modélisé dans un moteur de rendu 3D qui représente ce que serait un vrai pendule de la vie réelle: il n'est pas possible d'accélérer la simulation.\\ 
-  * Le [[https://fr.wikipedia.org/wiki/Q-learning|Q-learning]] est une technique d'apprentissage par renforcementLa lettre 'Qdésigne la fonction qui mesure la qualité d'une action exécutée dans un état donné du système+Pour faire des recherches et simuler l'influence de nombreux paramètres, il ne faut pas faire de visualisation et utiliser des moteurs physique: [[pybullet|Bullet]] (libre), [[http://mujoco.org|Mujoco]] (propriétaire et payant, très cher), qui simule le réel. Les calculs peuvent alors aller beaucoup plus vite, 20 fois par rapport au réel. 
-  * [[https://larevueia.fr/apprentissage-par-renforcement/|Apprentissage par renforcement]] @ larevueia.fr Article général+ 
-  * [[https://neptune.ai/blog/the-best-tools-for-reinforcement-learning-in-python|The Best Tools for Reinforcement Learning in Python You Actually Want to Try]] Posted November 17, 2020+=====Le jeu du pendule dans Blender===== 
 +  * **[[https://github.com/sergeLabo/balance|Balance]]** Sources sur Github 
 +====Installation==== 
 +  * Debian 10 Buster 
 +  * python 3.7 
 +  * blender game engine 2.79 
 +  * stable-baselines [[apprentissage_par_renforcement#Baselines vs Stable-baselines vs Stable-baselines3|]] qui installe gym 
 +  * [[https://ressources.labomedia.org/kivy_oscpy|oscpy de kivy super pratique]] pour la com entre le BGE et le script python 
 +  * CUDA: Pour une carte graphique, [[https://ressources.labomedia.org/debian_installation_configuration#installation_de_xubuntu_1804_pour_du_calcul_d_ia|Installation de cuda sur Xubuntu 18.04]]. Il faut configurer la gestion de l'alimentation en définissant la veille à jamais, et éteindre votre écran avec le bouton on/off. 
 + 
 +===gym=== 
 +gym est installé dans le système avec l'installation de stable-baselines. Balance est construit en modifiant des fichiers sources de gym, dans une copie nommée my_gym, importée dans les fichiers avec: 
 + 
 +  import sys 
 +  sys.path.append('my_gym'
 +  import gym 
 + 
 +Il faut désinstaller gym 
 +  sudo pip3 uninstall gym 
 + 
 +===Modification de my_gym=== 
 +Définition de mon environnement dans: **[[https://github.com/sergeLabo/balance/blob/main/my_gym/gym/envs/__init__.py|__init__.py]]** **[[https://github.com/sergeLabo/balance/blob/main/my_gym/gym/envs/classic_control/__init__.py|__init__.py]]** **[[https://github.com/sergeLabo/balance/blob/main/my_gym/gym/envs/classic_control/my_cartpole.py|my_cartpole.py]]**\\ 
 +Un fichier obtenu avec un apprentissage est à: [[https://github.com/sergeLabo/balance/blob/main/weights/ppo2_cartpole250000.zip|ppo2_cartpole250000.zip]] 
 + 
 +====Modélisation==== 
 +La modélisation d'un pendule dans Blender avec le moteur physique intégré (Bullet) est délicate. 
 +===Un axe static et un cube Rigid Body avec un trou=== 
 +{{:media_14:axe_axe_1.png?240|}} 
 +{{:media_14:axe_axe_2.png?140|}} 
 +{{:media_14:axe_pendule_1.png?110|}} 
 +{{:media_14:axe_pendule_2.png?150|}} 
 +Le pendule fini rapidement par se décrocher de l'axe, si un vertex du trou est dans l'axe sur une frame, la physics va le faire partir dans l'infini de l'espace. 
 + 
 +===Constraint Rigid Body Joint=== 
 +Cette 2ème solution permet de bien faire tourner le pendule, par contre le stabiliser verticalement est corriace. Le Empty a été remplacer par un Cube en Dynamic avec une masse de 1 et le pendule une masse de 0.1 
 +<WRAP group> 
 +<WRAP third column> 
 +**Axe** 
 +{{ :media_14:balance_1.png?100 |}} 
 +{{ :media_14:balance_4.png?220 |}} 
 +</WRAP> 
 +<WRAP third column> 
 +**Rigid Body Joint** 
 +{{ :media_14:balance_2.png?300 |}} 
 +</WRAP> 
 +<WRAP third column> 
 +**Pendule** 
 +{{ :media_14:balance_3.png?200 |}}{{ :media_14:balance_5.png?130 |}} 
 +</WRAP> 
 +</WRAP> 
 +   
 +===Bullet dans blender=== 
 +Le moteur physique de Blender est Bullet. Il vit sa vie en parallèle du moteur de jeu, une commande demandée dans un script python sur une frame agit dans le moteur physique lors des frames suivantes mais en interaction avec la physique en cours. Le script python n'est pas un dictateur qui donne des ordres strictes à Bullet. \\ 
 +Il est important d'ajouter des substeps dans **Blender Properties Scene Physics** 
 +{{ :media_14:scene_physics.png?250|}}\\ 
 + 
 +Exemple d'un reset position et orientation sur 25 frames: [[https://github.com/sergeLabo/balance/blob/main/balance/always.py#L71|def reset():]] \\ 
 +Le fps est défini à 120 dans le panneau de rendu, le script once.py défini bge.logicsetLogicTicRate(120). Le FPS affiché est calculé avec time(). 
 + 
 +====Lancement du jeu==== 
 +Lancer blender comme ci-dessus et le script **[[https://github.com/sergeLabo/balance/blob/main/my_cartpole_ppo2_rendu.py|my_cartpole_ppo2_rendu.py]]** 
 + 
 +  blenderplayer ./balance/balance.blend 
 +et dans un autre terminal, pour l'apprentissage
 +  python3 my_cartpole_ppo2_train.py 
 +ou pour le rendu 
 +  python3 my_cartpole_ppo2_rendu.py 
 + 
 +===Remarque=== 
 +Le jeu (avec blenderplayer ...) ne doit être lancé qu'une seule fois! On peut lancer ou stopper le script python ou Blender, à son bon vouloir, la reconnexion est automatique. Çà c'est trop fort et super génial! 
 + 
 +====Résultat du 1er essai==== 
 + 
 +{{ :media_14:cartpole_avec_blender_game_engine.mp4?500 |}} 
 + 
 +Avec un apprentissage de quelques heures .... 
 + 
 +=====Comment est définit l'objectif à atteindre===== 
 +**Objectif = target = goal = but**\\ 
 +Le goal est définit par les règles définissant le "reward", la récompenseIl est le centre d'un intervale. En dehors de cet intervalle, pas de récompense: reward = 0\\ 
 +Dans l'intervalle, la récompense est une fonction décroissante de l'écart au centre. Idem est (un peu de latin, ça fait prof au Collège de France) plus l'écart est faible, plus la récompense est grande. La récompense est calculée à chaque step.\\ 
 +Exemple extrait de Swing Up 
 +<code python> 
 +# La récompense est définie ici, le goal est 0 
 + 
 +# Reward_teta is 1 when teta is 90 soit np.cos(teta) de 0 to 90 or -90 to 0, 
 +# 0 if between 90 and 270 or -270 to -90 
 +# 0 < Reward_teta < 1 
 +reward_teta = max(0, np.cos(teta)) 
 + 
 +# Récompense sur x: 1 au centre (x=0), 0 si x = +ou-self.x_threshold 
 +reward_x = np.cos((x / self.x_threshold) * (np.pi / 2.0)) 
 + 
 +# La récompense totale 
 +reward = reward_teta * reward_x 
 +</code> 
 +Ici, il y a une récompense si le pendule est au-dessus du diamètre horizontal. Plus il est près de la position verticale, plus la récompense est grande. Sinon la récompense est nulle. 
 +===== Relèvement du pendule appelé Swing-up===== 
 +Les [[https://gym.openai.com/envs/Pendulum-v0/|exemples de Gym]] proposent Pendulum, il faut redresser le pendule en applicant un couple sur l'axe. Ici nous déplaçons le chariot pour le Swing. Cet exemple est construit à partir de[[https://github.com/TTitcombe/CartPoleSwingUp|CartPoleSwingUp]]. Il y a beaucoup d'autres dépôts sur GitHub sur ce problème.\\ 
 +Les sources sont dans le dossier **[[https://github.com/sergeLabo/balance/tree/main/redressement|redressement]]** de balance. [[https://github.com/sergeLabo/balance/blob/main/redressement/swing_avec_reprise.py|Training ou Rendu]] en modifiant le script ligne 47.L'import de my_gym est réalisé avec un chemin absolu, pour tester il faut adapter ce chemin à votre cas.\\ 
 +Ce pendule a été construit dans l'**Atelier du C01N de mon salon**: 
 + 
 +{{ :media_14:swingup_dans_le_blender_game_engine.mp4?500 |}} 
 + 
 +L'apprentissage a duré 88 heures, 17 millions de steps, plus plusieurs semaines de recherches et d'ordinateurs qui calcule 24h/24h. Le fichier de poids fonctionne sur Xubuntu 18.4 mais pas sur Debian 10: il doit y avoir une version d'une des librairies qui diffèrent.  
 + 
 +=====Quelques explications===== 
 +====Relations scripts vs Blender==== 
 +L'apprentissage exécuté avec [[https://github.com/sergeLabo/balance/blob/main/my_cartpole_ppo2_train.py#L21|model.learn()]] est une boucle qui appelle la méthode step() de [[https://github.com/sergeLabo/balance/blob/main/my_gym/gym/envs/classic_control/my_cartpole.py#L79|my_cartpole.py]] ou [[https://github.com/sergeLabo/balance/blob/main/my_gym/gym/envs/cartpoleswingup/my_swing_continuous.py#L119|my_swing_continuous.py]], avec une action en argument.\\ 
 +L'action possible est définie par action_space: discrète ou continue.\\ 
 +Dans step(action), l'action est envoyée en OSC  à Blender, step() attend la réponse qui est envoyée la frame suivante. Cette réponse est une observation à cet instant, position et vitesse du chariot, angle et vitesse angulaire du pendule.\\ 
 + 
 +**Dans gym**, dans my_cartpole.py\\ 
 +step() retourne l'observation, la récompense = reward, si c'est fini = done\\ 
 +Si done = 1, un [[https://github.com/sergeLabo/balance/blob/main/my_gym/gym/envs/classic_control/my_cartpole.py#L114|reset()]] est fait.\\ 
 +done = 1 si 20 < x ou x < 20 ou teta > 0.1 ou teta < -0.1, donc si le chariot est trop décalé, ou si le pendule est parti pour tomber. Il y a aussi un nombre maxi d'itération qui provoque un reset() défini dans [[https://github.com/sergeLabo/balance/blob/main/my_gym/gym/envs/__init__.py#L84|__init__.py#L84]] \\ 
 +Une récompense (reward) est calculée à chaque step.\\ 
 +Le principe est le même dans my_swing_continuous.py 
 +====Comment a été amélioré le SwingUp ?==== 
 +===Actions discrètes ou continues=== 
 +  * Dans CartPole, les actions sont discrètes, **une force fixe est appliquée __à chaque step__**, vers la gauche ou vers la droite. Cette action est appliquée par une vitesse dans Blender.   
 +  * Pour SwingUp de l'exemple ci-dessus, la même méthode est utilisée. Mais les actions sont comprises entre -1 et 1. 
 + 
 +Définition des actions, avec 2 valeurs possibles: 0 ou 1, 0 = force à gauche, 1 = force à droite 
 +  action_space = spaces.Discrete(2) 
 +   
 +Définition des actions de SwingUp, avec des valeurs possibles entre -1 et 1 
 +  action_space = spaces.Box(-1.0, 1.0, shape=(1,)) 
 + 
 +===Algorithme d'apprentissage=== 
 +L'algorithme d'optimisation est **[[https://stable-baselines.readthedocs.io/en/master/modules/ppo2.html|PPO2]]** dans les 2 cas. De longs essais avec **[[https://stable-baselines.readthedocs.io/en/master/modules/ddpg.html|DDPG]]** n'a rien donné de bien. D'autres algorithmes sont possibles. L'objectif de l'auteur était d'y arriver, **quoiqu'il en coûte**. Que le training dure longtemps ne donne pas une mauvaise note ! 
 + 
 +===Récompense revue pour les débuts des calculs==== 
 +La plage de récompense sur x a été réduite à +ou2. le chariot ne fonce plus en bout de course.\\ 
 +Après un long apprentissage, le pendule ne se stabilise pas en haut, il préfère tourner en rond. La formule de récompense ne favorise pas la stabilisation en haut. Ajout d'une récompense en haut = RV, utilisée pour les 5 premiers millions de steps. 
 +  * Si le pendule est proche de la position verticale avec une vitesse angulaire faible, la récompense "vitesse" est 1 
 +  * Si la vitesse est proche de la vitesse angulaire maxi (environ=5), la récompense n'est que de 0.8 
 + 
 +  reward_total = reward_chariot * reward_balancier * RV 
 + 
 +=====Repartir d'un apprentissage terminé et Enregistrement intermédiaire===== 
 +Comment repartir du fichier PPO2_Swing_35.zip, et enregistrement tous les 100 000 steps: How to create checkpoints ? 
 + 
 +<code python> 
 +import gym 
 +from time import time, strftime 
 +from stable_baselines.common.policies import MlpPolicy 
 +from stable_baselines.common import make_vec_env 
 +from stable_baselines import PPO2 
 + 
 +log = strftime("%Y%m%d-%H%M%S"
 +env = make_vec_env('CartPoleSwingUpContinuous-v0', n_envs=1) 
 +model = PPO2.load("./weights/PPO2_Swing_35.zip", env=env, cloudpickle=False, verbose=0) 
 +for i in range(20): 
 +    model.learn(total_timesteps=100000) 
 +    partial = "./weights/SR-" + log + "-" + str(i) 
 +    model.save(partial, cloudpickle=False) 
 +</code> 
 + 
 +=====Ressources complémentaires===== 
 +====Quels sonts les défauts de Gym ?==== 
 +Gym impose un cadre pour tous les chercheurs de RL, ce qui permet de faire des comparaisons entre les solutions.\\ 
 +Mais cela empêche de trouver des solutions originales. En Intelligence Artificielle, trop de méthodes sont empiriques et pifométriques. Il y a certainement des solutions innovantes à inventer.  
 + 
 +====Réflexions philosophiques==== 
 +  * Ce type d'apprentissage s'appelle la carotte **et** le bâton: management très pratiqué. On promet des carottes mais on ne donne que des coups de bâtons. 
 +  * Encore pratiqué dans l'enseignement en France, alors que les pays nordiques considèrent les apprenants comme des êtres humains responsables. 
 +====Gym CartPole Ressources==== 
 + 
 +  * [[https://github.com/openai/gym/wiki/CartPole-v0|CartPole-v0]]  
 + 
 +====pybullet===== 
 +  * **[[pybullet|pybullet]]** est un module permettant de simuler un **[[pybullet|Reinforcement Learning]]**.\\ 
 + 
 +Bullet est le moteur physique de Blender 
 + 
 + 
 + 
 +====Un cartpole réel documenté mais sans RL==== 
 +{{youtube>nOSTzpA0nGk?small}}
  
 +  * Sergey Royz: Stabilizing pendulum on a cart with full state feedback control
 +  * Articles: [[https://habr.com/ru/post/472588/|habr.com]] en russe
 +  * Hardware used in the project:
 +    * DC motor, 12V, gearbox 5:1 [[https://www.conrad.cz/p/modelcraft-ig320005-3ac21r-motor-s-prevodem-12-v-51-234253|Modelcraft IG320005-3AC21R motor s převodem 12 V 5:1]] @ conrad.cz et [[https://www.conrad.fr/p/modelcraft-ig320005-3ac21r-moteur-a-entrainement-12-v-51-234253|Modelcraft IG320005-3AC21R Moteur à entraînement 12 V 5:1]] @ conrad.fr
 +    * Incremental rotary encoder LPD3806-600BM-G5-24C 600 PPR (motor) Recherche sur [[https://rhx.en.alibaba.com/product/60483179173-803324187/Rotary_Encoder_LPD3806_600BM_G5_24C_Original_and_New.html|alibaba.com]]
 +    * Incremental rotary encoder OMRON E6B2-CWZ6C 2500 PPR (pendulum)
 +    * Power supply 12V, 4A [[https://www.gme.cz/spinany-zdroj-mean-well-rd-85a|Spínaný zdroj MEAN WELL RD-85A]]. Une alimentation de PC peut convenir !
 +    * 10Amp 5V-30V DC Motor Driver [[https://www.cytron.io/p-10amp-5v-30v-dc-motor-driver|10Amp 5V-30V DC Motor Driver]]
 +    * Arduino Mega 2560  [[https://www.gotronic.fr/art-carte-arduino-mega-2560-12421.htm|@ gotronic.fr]]
 +  * Source code: https://github.com/zjor/inverted-pendulum
  
-  * [[https://github.com/tensorforce/tensorforce|Tensorforce: a TensorFlow library for applied reinforcement learning]] @ github.com/tensorforce 
  
 {{tag>ia sb}} {{tag>ia sb}}
apprentissage_par_renforcement.1609349052.txt.gz · Dernière modification : 2020/12/30 17:24 de serge