def parse_args():
parser = argparse.ArgumentParser(formatter_class=argparse.ArgumentDefaultsHelpFormatter)
parser.add_argument('--env-id', type=str, default='Baxter3dbox-v0')
boolean_flag(parser, 'render-eval', default=False)
boolean_flag(parser, 'render', default=False)
parser.add_argument('--seed', help='RNG seed', type=int, default=0)
parser.add_argument('--batch-size', type=int, default=32)
parser.add_argument('--lr', type=float, default=1e-3)
parser.add_argument('--gamma', type=float, default=0.98)
parser.add_argument('--num-timesteps', type=int, default=100000)
boolean_flag(parser, 'evaluation', default=True)
parser.add_argument('--eval-env-id', type=str, default=None)
parser.add_argument('--num-eval-episodes', type=int, default=10)
boolean_flag(parser, 'prioritized_replay', default=True)
## saving and restoring param parser
parser.add_argument('--log-dir', type=str, default='/tmp/her')
parser.add_argument('--save-freq', type=int, default=20)
parser.add_argument('--skillset', type=str, default='set4')
## TODO: add model restore and continue training
# parser.add_argument('--restore-dir', type=str, default=None)
# meta parameters
parser.add_argument('--commit-for', type=int, default=1)
args = parser.parse_args()
dict_args = vars(args)
return dict_args
def parse_args():
parser = argparse.ArgumentParser(
formatter_class=argparse.ArgumentDefaultsHelpFormatter)
parser.add_argument('--env-id', type=str, default='Baxter3dbox-v0')
boolean_flag(parser, 'render-eval', default=True)
parser.add_argument('--seed', help='RNG seed', type=int, default=0)
parser.add_argument('--nb-eval-episodes', type=int,
default=100) # per epoch cycle and MPI worker
boolean_flag(parser, 'evaluation', default=True)
## saving and restoring param parser
parser.add_argument('--log-dir', type=str, default='/tmp/her')
parser.add_argument('--restore-dir', type=str, default=None)
boolean_flag(parser, 'dologging', default=False)
boolean_flag(parser, 'invert-grad', default=False)
# meta parameters
parser.add_argument('--commit-for', type=int, default=1)
parser.add_argument('--skillset', type=str, default='set3')
args = parser.parse_args()
# we don't directly specify timesteps for this script, so make sure that if we do specify them
# they agree with the other parameters
dict_args = vars(args)
return dict_args
def parse_args():
parser = argparse.ArgumentParser(formatter_class=argparse.ArgumentDefaultsHelpFormatter)
parser.add_argument('--env-id', type=str, default='Baxter-v1')
boolean_flag(parser, 'render', default=False)
parser.add_argument('--lr', type=float, default=1e-4)
parser.add_argument('--log-dir', type=str, default='/tmp/her')
parser.add_argument('--restore-dir', type=str, default=None)
parser.add_argument('--dataset-size', type=int, default=2000)
parser.add_argument('--commit-for', type=int, default=5)
args = parser.parse_args()
dict_args = vars(args)
return dict_args
def parse_args():
parser = argparse.ArgumentParser(
formatter_class=argparse.ArgumentDefaultsHelpFormatter)
parser.add_argument('--env-id', type=str, default='Reacher3d-v0')
boolean_flag(parser, 'render', default=False)
parser.add_argument('--lr', type=float, default=1e-4)
parser.add_argument('--log-dir', type=str, default='/tmp/succmodel')
parser.add_argument('--train-epoch', type=int, default=10)
parser.add_argument('--batch-size', type=int, default=64)
boolean_flag(parser, 'whiten', default=True)
args = parser.parse_args()
dict_args = vars(args)
return dict_args
def parse_args():
parser = argparse.ArgumentParser(
formatter_class=argparse.ArgumentDefaultsHelpFormatter)
parser.add_argument('--env-id', type=str, default='Baxter-v1')
boolean_flag(parser, 'render-eval', default=False)
boolean_flag(parser, 'layer-norm', default=True)
boolean_flag(parser, 'render', default=False)
boolean_flag(parser, 'normalize-returns', default=False)
boolean_flag(parser, 'normalize-observations', default=True)
parser.add_argument('--seed', help='RNG seed', type=int, default=0)
parser.add_argument('--critic-l2-reg', type=float, default=0.)
parser.add_argument('--batch-size', type=int,
default=128) # per MPI worker
parser.add_argument('--actor-lr', type=float, default=1e-4)
parser.add_argument('--critic-lr', type=float, default=1e-3)
boolean_flag(parser, 'popart', default=False)
parser.add_argument('--gamma', type=float, default=0.98)
parser.add_argument('--reward-scale', type=float, default=1.)
parser.add_argument('--clip-norm', type=float, default=None)
parser.add_argument(
'--nb-epochs', type=int,
default=200) # with default settings, perform 1M steps total
parser.add_argument('--nb-epoch-cycles', type=int, default=20)
parser.add_argument('--nb-train-steps', type=int,
default=40) # per epoch cycle and MPI worker
parser.add_argument('--nb-eval-episodes', type=int, default=20)
parser.add_argument('--nb-rollout-steps', type=int,
default=800) # per epoch cycle and MPI worker
parser.add_argument(
'--noise-type', type=str, default='epsnorm_0.01_0.2'
) # choices are adaptive-param_xx, ou_xx, normal_xx, none
parser.add_argument('--num-timesteps', type=int, default=None)
boolean_flag(parser, 'evaluation', default=True)
parser.add_argument('--eval-env-id', type=str, default=None)
## saving and restoring param parser
parser.add_argument('--log-dir', type=str, default='/tmp/her')
parser.add_argument('--save-freq', type=int, default=1)
parser.add_argument('--restore-dir', type=str, default=None)
boolean_flag(parser, 'dologging', default=True)
boolean_flag(parser, 'invert-grad', default=False)
boolean_flag(parser, 'her', default=True)
boolean_flag(parser, 'actor-reg', default=True)
boolean_flag(parser, 'tf-sum-logging', default=False)
# look ahead
boolean_flag(parser, 'look-ahead', default=True)
parser.add_argument('--commit-for', type=int, default=10)
parser.add_argument('--exploration-final-eps', type=float, default=0.001)
parser.add_argument('--num-samples', type=int, default=5)
parser.add_argument('--skillset', type=str, default='set13')
args = parser.parse_args()
# we don't directly specify timesteps for this script, so make sure that if we do specify them
# they agree with the other parameters
if args.num_timesteps is not None:
assert (args.num_timesteps == args.nb_epochs * args.nb_epoch_cycles *
args.nb_rollout_steps)
dict_args = vars(args)
del dict_args['num_timesteps']
return dict_args
def parse_args():
parser = argparse.ArgumentParser(
formatter_class=argparse.ArgumentDefaultsHelpFormatter)
parser.add_argument('--env-id', type=str, default='HalfCheetah-v1')
boolean_flag(parser, 'render-eval', default=False)
boolean_flag(parser, 'layer-norm', default=True)
boolean_flag(parser, 'render', default=False)
boolean_flag(parser, 'normalize-returns', default=False)
boolean_flag(parser, 'normalize-observations', default=True)
parser.add_argument('--seed', help='RNG seed', type=int, default=0)
parser.add_argument('--critic-l2-reg', type=float, default=1e-2)
parser.add_argument('--batch-size', type=int, default=64) # per MPI worker
parser.add_argument('--actor-lr', type=float, default=1e-4)
parser.add_argument('--critic-lr', type=float, default=1e-3)
boolean_flag(parser, 'popart', default=True)
parser.add_argument('--gamma', type=float, default=0.99)
parser.add_argument('--reward-scale', type=float, default=1.)
parser.add_argument('--clip-norm', type=float, default=None)
parser.add_argument(
'--nb-epochs', type=int,
default=500) # with default settings, perform 1M steps total
parser.add_argument('--nb-epoch-cycles', type=int, default=20)
parser.add_argument('--nb-train-steps', type=int,
default=50) # per epoch cycle and MPI worker
parser.add_argument('--nb-eval-steps', type=int,
default=100) # per epoch cycle and MPI worker
parser.add_argument('--nb-rollout-steps', type=int,
default=100) # per epoch cycle and MPI worker
parser.add_argument(
'--noise-type', type=str, default='adaptive-param_0.2'
) # choices are adaptive-param_xx, ou_xx, normal_xx, none
parser.add_argument('--num-timesteps', type=int, default=None)
boolean_flag(parser, 'evaluation', default=True)
## saving and restoring param parser
parser.add_argument(
'--log-dir',
type=str,
default='/home/arpit/new_RL3/baseline_results/HalfCheetah/run1')
parser.add_argument('--save-freq', type=int, default=1)
parser.add_argument('--restore-dir', type=str, default=None)
boolean_flag(parser, 'dologging', default=True)
args = parser.parse_args()
# we don't directly specify timesteps for this script, so make sure that if we do specify them
# they agree with the other parameters
if args.num_timesteps is not None:
assert (args.num_timesteps == args.nb_epochs * args.nb_epoch_cycles *
args.nb_rollout_steps)
dict_args = vars(args)
del dict_args['num_timesteps']
return dict_args
def parse_args():
parser = argparse.ArgumentParser(
formatter_class=argparse.ArgumentDefaultsHelpFormatter)
parser.add_argument('--env-id', type=str, default='Baxter-v1')
boolean_flag(parser, 'render-eval', default=False)
boolean_flag(parser, 'layer-norm', default=True)
boolean_flag(parser, 'normalize-returns', default=False)
boolean_flag(parser, 'normalize-observations', default=True)
parser.add_argument('--seed', help='RNG seed', type=int, default=0)
parser.add_argument('--critic-l2-reg', type=float, default=1e-2)
parser.add_argument('--batch-size', type=int, default=64) # per MPI worker
parser.add_argument('--actor-lr', type=float, default=1e-4)
parser.add_argument('--critic-lr', type=float, default=1e-3)
boolean_flag(parser, 'popart', default=False)
parser.add_argument('--gamma', type=float, default=0.99)
parser.add_argument('--reward-scale', type=float, default=1.)
parser.add_argument('--clip-norm', type=float, default=None)
parser.add_argument('--nb-eval-steps', type=int,
default=10000) # per epoch cycle and MPI worker
parser.add_argument(
'--noise-type', type=str, default='ou_0.02'
) # choices are adaptive-param_xx, ou_xx, normal_xx, none
boolean_flag(parser, 'evaluation', default=True)
parser.add_argument('--factor', type=int, default=0)
parser.add_argument('--memory-size', type=int, default=50000)
## saving and restoring param parser
parser.add_argument('--log-dir', type=str, default='/tmp/run1')
parser.add_argument('--save-freq', type=int, default=100000)
parser.add_argument(
'--restore-dir',
type=str,
default="/home/arpit/new_RL3/baseline_results/Baxter-v3/run19")
boolean_flag(parser, 'dologging', default=False)
args = parser.parse_args()
dict_args = vars(args)
return dict_args
