Stable Baselines 3 PyTorch

W&B を Stable Baselines3 と統合して、強化学習の実験をトラッキングし、トレーニングのパフォーマンスをログします。

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 のトレーニング run の例をご覧ください。

SB3 Experimentsをログする

from wandb.integration.sb3 import WandbCallback

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

WandbCallback の引数

引数	用途
verbose	sb3 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。デフォルト値は None で、その場合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。デフォルト値は 0 のため、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 から出力され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()