Stable Baselines 3 PyTorch - Weights & Biases Documentation

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群です。W&B の SB3 インテグレーションでは、次のことができます。

損失やエピソードごとのリターンなどのメトリクスを記録します。
ゲームをプレイするエージェントの動画をアップロードします。
トレーニング済みモデルを保存します。
モデルのハイパーパラメーターをログします。
モデルの勾配ヒストグラムをログします。

SB3 実験をログする

SB3のトレーニングをW&Bにログするには、モデルの learn メソッドに WandbCallback を渡します:

from wandb.integration.sb3 import WandbCallback

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

`WandbCallback` の引数

次の表では、WandbCallback に渡せる引数について説明します。

Argument	Usage
`verbose`	SB3 の出力の詳細レベル。
`model_save_path`	モデルを保存するフォルダーのパス。デフォルトは `None` 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` 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では、TensorBoard が出力するログを使用して、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動画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()

​SB3 実験をログする

​WandbCallback の引数

​基本的な例

SB3 実験をログする

`WandbCallback` の引数

基本的な例