Depuis la version Unity ML-Agents_6 Installation vers les tests environnementaux sur Win10

introduction

Puisque la dernière version majeure a été publiée après l'utilisation des agents Unity ML, nous préparerons l'environnement d'exécution pour le moment.

Référence: Installation de Unity Ml-Agents

Si vous rencontrez des problèmes, consultez le fonctionnaire. Lisez l'anglais.

Environnement d'exécution

ML-Agents utilise la dernière version 6 qui n'est actuellement pas instable.

Notez également que la version 6 doit utiliser Unity 2018.4 ou version ultérieure et Python 3.6.1 ou version ultérieure.

Tout d'abord, créez un environnement virtuel

Créez un environnement virtuel dans Anaconda afin qu'il puisse être séparé de l'environnement d'origine.

conda create -n ml-agents

Si vous souhaitez spécifier la version de python (en supposant la version 3.6),

conda create -n ml-agents pyhton=3.6

Après avoir créé l'environnement virtuel, activez-le.

conda activate ml-agents

Ceci termine la création de l'environnement virtuel.

Configuration de ML-Agents version 6

Il est supposé que vous avez installé Unity et Python.

Tout d'abord, clonez le référentiel Toolkit à partir de Github.

git clone --branch release_6 https://github.com/Unity-Technologies/ml-agents.git

--branch release_6 est une balise qui spécifie la version 6, sinon elle clonera le référentiel de la branche master. La branche principale est à jour, mais une version instable.

Installez le package com.unity.ml-agents sur Unity

Il existe un dossier com.unity.ml-agents dans le référentiel que vous avez cloné précédemment, alors installez-le dans Unity.

1. Ouvrez Unity et ouvrez Window-> Package Manager
2. Cliquez sur le bouton + dans la fenêtre du gestionnaire de packages
3. Sélectionnez Ajouter un package à partir du disque ...
4. Ouvrez le dossier com.unity.ml-agents
5. Sélectionnez le fichier package.json

Installez le package Python mlagents

pip3 install mlagents

Essayez le guide de démarrage

Référence: Guide de démarrage

Il y a un élément dans ce guide pour comprendre l'environnement, mais si vous souhaitez créer votre propre environnement, vous devez le lire attentivement.

Puisqu'il s'agit d'un essai, j'utiliserai d'abord le modèle pré-entraîné 3D Ball. Il existe de nombreux autres échantillons, alors essayons-les.

Essayez le modèle pré-formé

1. Ouvrez 3DBall depuis Project / Assets / ML-Agents / Examples / 3DBall / Scenes
2. Ouvrez Assets / ML-Agents / Examples / 3DBall / Prefabs dans la fenêtre Projet, développez 3D Ball et cliquez sur Agent prefab

Remarque: la plateforme 3D Ball est construite à l'aide du préfabriqué 3D Ball. Ainsi, au lieu de mettre à jour les 12 plates-formes, vous pouvez le modifier en mettant à jour le préfabriqué 3D Ball.

3. Depuis la fenêtre Projet, faites glisser 3D Ball de Assets / ML-Agents / Examples / 3DBall / TFModels vers Model of Behavior Parameters for Agent dans la fenêtre Inspector. (Bien qu'il ait déjà été défini, vous pouvez vérifier le résultat d'apprentissage en enregistrant chaque résultat d'apprentissage en tant que NNModel et en le définissant dans Modèle.)
4. Confirmez que le modèle du paramètre de comportement de l'agent de chaque boule 3D de la scène est une boule 3D (modèle NN).
5. Définissez le périphérique d'inférence utilisé dans ce modèle sur le CPU (GPU si vous utilisez GPU)
6. Appuyez sur le bouton Lecture dans Unity Editor et vérifiez que 3D Ball est en cours d'exécution.

Former un nouveau modèle avec l'apprentissage par renforcement

1. Ouvrez la fenêtre du terminal

2. Accédez au référentiel cloné ml-agents

3. Exécutez la commande suivante

mlagents-learn config/ppo/3DBall.yaml --run-id=first3DBallRun ```

4. Lorsque le message «Démarrer l'entraînement en appuyant sur le bouton Lecture dans l'éditeur Unity» apparaît, appuyez sur le bouton Unity Play pour commencer l'apprentissage.
5. Les résultats d'apprentissage seront stockés dans ml-agents / results, alors faites glisser first3DBallRun dans la fenêtre Projet et copiez-le.
6. Dans la fenêtre Projet, faites glisser la 3D Ball de first3DBallRun / run_logs vers le modèle du paramètre de comportement du préfabriqué 3D Ball.
7. Appuyez sur le bouton Lecture sur Unity pour vérifier les résultats d'apprentissage

Vérifier la progression de la formation

Vérifiez le résultat que vous avez appris plus tôt sur le tensorboard

tensorboard --logdir results

Si vous exécutez la commande ci-dessus, vous pouvez la vérifier sur http: // localhost: 6006 de votre propre navigateur.

Sommaire

Ceci termine le processus de l'installation au test. Veuillez nous faire savoir si vous avez des erreurs ou des lacunes.

De plus, comme il a été rédigé dans le but de confirmer ce que j'ai fait, je pense qu'il y a des points difficiles à comprendre. En gros, je pense qu'il est préférable de lire et d'exécuter vous-même la documentation officielle.