Stůl vlevo ABSTRACT abstraktní 1 INTRODUCTION 1 Úvod 2 INTERACTIVE WORLD SIMULATION 2 Interaktivní simulace světa 3 GAMENGEN 3 Hraní 3.1 Shromažďování dat prostřednictvím agent play 3.2 Výcvik modelu generativní difúze 4 EXPERIMENTAL SETUP 4 Experimentální nastavení 4.1 Výcvik agentů 4.2 Generativní model školení 5 RESULTS 5 Výsledky 5.1 Kvalita simulace 5.2 Ablace 6 RELATED WORK 6 Související práce 7 DISCUSSION, ACKNOWLEDGEMENTS AND REFERENCES 7 Diskuse, uznání a reference 4 EXPERIMENTAL SETUP 4 Experimentální nastavení 4.1 AGENT TRAINING Model agenta je trénován pomocí PPO (Schulman et al., 2017), s jednoduchou CNN jako funkční sítí, následuje Mnih et al. (2015). Je trénován na CPU pomocí infrastruktury Stable Baselines 3 (Raffin et al., 2021). Agent je poskytován se sníženými verzemi snímků rámu a mapy ve hře, každý v rozlišení 160x120. Agent má také přístup k posledním 32 akcím, které provedl. Funkční síť vypočítává reprezentaci o velikosti 512 pro každý obrázek. PPO herec a kritik jsou 2-vrstvé MLP hlavy na vrcholu konkatenace výstupů obrazové funkční sítě a sekvence minulých akcí. Agent trénujeme hrát hru pomocí prostředí Vizdoom (Wydmuch et al., 2019). Spustíme 8 her paralelně, 4.2 GENERATIVE MODEL TRAINING Trénujeme všechny modely simulace kontextu z předtrénovaného datového kontrolního bodu stabilní difúze 1.4, odmrazujeme všechny parametry U-Net. Používáme velikost baterie 128 a konstantní vzdělávací rychlost 2e-5, s optimalizátorem Adafactor bez ztráty hmotnosti (Shazeer & Stern, 2018) a gradientním klipem 1.0. Změníme parametrizace ztráty difúze na v-predikci (Salimans & Ho (2022a). Podmínka kontextu je snížena s pravděpodobností 0,1 umožnit CFG během závěru. Trénujeme pomocí 128 TPU-v5e zařízení s paralelizací dat. Pokud není uvedeno jinak, všechny výsledky v papíře jsou po 700 000 tréninkových krocích. Pro žádné zvýšení (oddíl 3.2. 
 
 
 Autoři : 
 
 
 
 
 Dani Valevski Janáš Leviatán Moabský Arar Skládací ovoce Autoři : 
 
 
 
 
 Dani Valevskiová Janáš Leviatán Moabský Arar Skládací ovoce 
 
 Tento dokument je k dispozici v archivu pod licencí CC by 4.0 Deed (Attribution 4.0 International). Tento papír je Pod licencí CC by 4.0 Deed (Attribution 4.0 International). Dostupné v archivu Dostupné v archivu

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

HOMEPAGE: Interoperability.TECH

Interoperability

Tento zvuk je produkován v původním jazyce příběhu!

Jak se posilovací učení a stabilní šíření kombinují k simulaci herních světů

About Author

KOMENTÁŘE

ZAVĚŠIT ZNAČKY

TENTO ČLÁNEK BYL PŘEDSTAVEN V

Related Stories

Coinshift Launches csUSDL, Announces Strategic Partnerships

Coinshift Launches csUSDL, Announces Strategic Partnerships

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps