10分钟上手ReBeL：非完美信息游戏AI开发的快速启动指南

10分钟上手ReBeL非完美信息游戏AI开发的快速启动指南【免费下载链接】rebelAn algorithm that generalizes the paradigm of self-play reinforcement learning and search to imperfect-information games.项目地址: https://gitcode.com/gh_mirrors/rebe/rebelReBeL是一种将自我对弈强化学习与搜索范式推广到非完美信息游戏的先进算法。本指南将帮助你快速掌握ReBeL的安装配置与基础使用让你在10分钟内开启非完美信息游戏AI的开发之旅。 关于ReBeLReBeLCombining deep reinforcement learning and search for imperfect-information games由Facebook Research团队开发发表于NeurIPS 2020。该算法创新性地融合了深度强化学习与搜索技术特别适用于扑克、说谎者骰子等存在信息不对称的游戏场景。本仓库包含针对经典非完美信息游戏Liars Dice的完整实现。 一键安装步骤1. 环境准备推荐使用conda管理环境确保系统已安装conda。执行以下命令克隆仓库并创建专用环境git clone --recursive https://gitcode.com/gh_mirrors/rebe/rebel cd rebel conda create --yes -n rebel python3.7 source activate rebel2. 依赖安装安装Python依赖与编译工具pip install -r requirements.txt conda install cmake3. 编译C核心模块ReBeL的高性能数据生成模块使用C实现执行以下命令完成编译make⚡ 快速训练你的第一个AI模型基础训练命令使用CPU生成数据训练价值网络适合入门体验python run.py --adhoc --cfg conf/c02_selfplay/liars_sp.yaml \ env.num_dice1 \ env.num_faces4 \ env.subgame_params.use_cfrtrue \ selfplay.cpu_gen_threads60多GPU加速训练若你的设备有多个GPU可使用以下命令启用GPU加速假设1个GPU用于训练其余用于数据生成python run.py --adhoc --cfg conf/c02_selfplay/liars_sp.yaml \ env.num_dice1 \ env.num_faces4 \ env.subgame_params.use_cfrtrue \ selfplay.cpu_gen_threads0 \ selfplay.threads_per_gpu8⚠️ 提示所有可配置参数详见conf/c02_selfplay/liars_sp.yaml。如需在Slurm集群运行添加launcherslurm_8gpus launcher.num_gpusNUM_GPUS参数即可。 模型评估方法训练过程中每10个epoch会保存TorchScript格式的模型 checkpoint。使用以下命令评估模型策略的可利用性exploitabilitybuild/recursive_eval \ --net path/to/model.torchscript \ --mdp_depth 2 \ --num_faces 4 \ --num_dice 1 \ --subgame_iters 1024 \ --num_repeats 4097 \ --num_threads 10 \ --cfr 技巧设置--num_repeats为正数可启用采样策略评估通过平均多个子博弈算法迭代的结果获得可利用性上限。评估报告会同时显示全树求解与递归求解的性能指标。 代码结构解析ReBeL的代码组织清晰核心模块包括训练逻辑cfvpy/selfplay.py实现Python训练循环数据生成C核心代码位于csrc/liars_dice目录配置文件conf/目录包含环境、优化器等参数配置评估工具scripts/eval_all.py可批量下载评估预训练模型 预训练模型资源官方提供1x4f、1x5f、1x6f和2x3f等游戏场景的预训练模型 checkpoint可通过scripts/eval_all.py脚本一键下载并评估。这些模型的平均可利用性指标已在原论文中报告。 许可证与引用ReBeL基于Apache许可证开源详见LICENSE文件。若使用本项目成果请引用原论文article{brown2020rebel, title{Combining deep reinforcement learning and search for imperfect-information games}, author{Brown, Noam and Bakhtin, Anton and Lerer, Adam and Gong, Qucheng}, journal{Advances in Neural Information Processing Systems}, volume{33}, year{2020} }通过本指南你已掌握ReBeL的基础使用方法。如需深入研究建议阅读原始论文并探索代码中的高级配置选项。祝你在非完美信息游戏AI的开发之路上取得突破【免费下载链接】rebelAn algorithm that generalizes the paradigm of self-play reinforcement learning and search to imperfect-information games.项目地址: https://gitcode.com/gh_mirrors/rebe/rebel创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考