baragouine / super-mario-rl

Super-Mario-RL

Ce projet est une adaptation du projet de Jiseong Hang: https://github.com/jiseongHAN/Super-Mario-RL

Il consiste en la création et l'entrainement d'un agent capable de jouer à Super Mario Bros en utilisant de l'apprentissage par renforcement.

L'agent de ce projet utilise un duel DQN, après 29000 épisodes ou 171 heures d'entrainements (bien avant) il arrive à atteindre le niveau 3 du jeu.

Auteurs

SAID Raoufdine 11502286
KORICHI Ilyes 11810510
ABDULLATIEF Noauffal 11803762
EL AZZOUZI Mohamed 11804134

Rapport et vidéo de démonstration

Le rapport est dans le répertoire doc au format pdf.
Une vidéo de démonstration après les 29000 épisodes est disponible sur YouTube à l'url suivante: https://www.youtube.com/watch?v=idIOWg084KQ .

Clonage du projet

Git clone

git clone https://github.com/Baragouine/Super-Mario-RL.git

Entrer dans le projet

cd Super-Mario-RL

Créer un nouvel environnement (anaconda):

conda create --name rl-mario python==3.8  

Activer l'environnement:

conda activate rl-mario  

Installer les dépendances:

pip install -r requirements.txt  

Installer ipykernel:

conda install -c anaconda ipykernel  
python -m ipykernel install --user --name=rl-mario  

Ouvrir le notebook

jupyter notebook --NotebookApp.max_buffer_size=99999999999999

Instructions

Après avoir ouvert le notebook (SuperMarioBrosRL.ipynb) vous pouvez entrainer le modèle ou bien le tester en exécutant les bonnes cellules.
Il y a des indications sur les cellules à exécuter au début de chaque bloc, il suffit de les lire pour savoir quelles cellules exécuter pour l'entrainement et quelles cellules exécuter pour le test.

Modèle pré-entrainer

Dans le répertoire checkpoints il y a le modèle pré-entrainer (épisode 29000) et l'historique de notre entraînement.
Vous n'avez pas besoin de modifier le notebook pour exécuter ce modèle pré-entrainer, exécuter seulement les bonnes cellules.

Pour désactiver l'environnement:

conda deactivate  

Reference

Wang, Ziyu, et al. "Dueling network architectures for deep reinforcement learning." International conference on machine learning. PMLR, 2016.