Stable Baselines 3

Stable Baselines 3 (SB3)は、PyTorchで実装された信頼性の高い強化学習アルゴリズムのセットです。W&BのSB3インテグレーションは以下を行います:

• 損失やエピソードのリターンなどのメトリクスを記録
• ゲームをプレイするエージェントのビデオをアップロード
• トレーニング済みのモデルを保存
• モデルのハイパーパラメーターをログ
• モデルの勾配ヒストグラムをログ

こちらが例です。W&BでのSB3トレーニングrun

SB3 Experimentsを2行のコードでログ

from wandb.integration.sb3 import WandbCallback

model.learn(..., callback=WandbCallback())

WandbCallback引数

引数	使用方法
verbose	sb3出力の詳細度
model_save_path	モデルが保存されるフォルダのパス。デフォルトは `None` なのでモデルはログされません
model_save_freq	モデルを保存する頻度
gradient_save_freq	勾配をログする頻度。デフォルトは0なので勾配はログされません

基本的な例

W&B SB3インテグレーションは、TensorBoardの出力ログを使用してメトリクスをログします

import gym
from stable_baselines3 import PPO
from stable_baselines3.common.monitor import Monitor
from stable_baselines3.common.vec_env import DummyVecEnv, VecVideoRecorder
import wandb
from wandb.integration.sb3 import WandbCallback


config = {
    "policy_type": "MlpPolicy",
    "total_timesteps": 25000,
    "env_name": "CartPole-v1",
}
run = wandb.init(
    project="sb3",
    config=config,
    sync_tensorboard=True,  # sb3のtensorboardメトリクスを自動アップロード
    monitor_gym=True,  # エージェントがゲームをプレイするビデオを自動アップロード
    save_code=True,  # 任意
)


def make_env():
    env = gym.make(config["env_name"])
    env = Monitor(env)  # リターンなどの統計情報を記録
    return env


env = DummyVecEnv([make_env])
env = VecVideoRecorder(
    env,
    f"videos/{run.id}",
    record_video_trigger=lambda x: x % 2000 == 0,
    video_length=200,
)
model = PPO(config["policy_type"], env, verbose=1, tensorboard_log=f"runs/{run.id}")
model.learn(
    total_timesteps=config["total_timesteps"],
    callback=WandbCallback(
        gradient_save_freq=100,
        model_save_path=f"models/{run.id}",
        verbose=2,
    ),
)
run.finish()