拓冰网站定制 
人工智能强化学习机器学习【免费下载链接】labA customisable 3D platform for agent-based AI research项目地址https://gitcode.com/gh_mirrors/la/lab点击查看免费下载导读DeepMind Lab 是一个面向智能体agent研究的可定制 3D 平台其 Python 模块deepmind_lab是官方推荐的、在 Bazel 项目之外使用该环境的方式。本文以 python/pip_package/README.md 为骨架完整讲解从依赖准备、Bazel 构建、打包成 wheel 到 pip 安装与验证的整条链路并结合仓库内的打包脚本、setup.py、模块加载源码与测试用例帮助你理解每个环节的底层原理。读完本文你将能够独立构建并安装 DeepMind Lab 的 Python 包创建环境对象、驱动智能体交互并选择使用原生 Python API 或 DeepMind 通用dm_envAPI。DeepMind Lab Python 模块是什么DeepMind Lab 的 Python 模块是官方推荐的、在 Bazel 项目之外使用 DeepMind Lab 的方式。安装后你可以在任意 Python 项目中以import deepmind_lab的方式创建和运行环境使用的 API 与在 Bazel 项目内构建时完全一致。从仓库源码可以看到模块的实际构成python/pip_package/init.py 中deepmind_lab包通过imp.load_dynamic加载随包分发的动态库deepmind_lab.so并把其中的Lab类暴露为模块的顶层符号_deepmind_lab imp.load_dynamic( __name__, pkg_resources.resource_filename(__name__, deepmind_lab.so)) Lab _deepmind_lab.Lab # needed from within dmenv_module也就是说pip 包的本质是原生动态库 Python 包装层的捆绑分发。python/pip_package/BUILD 中的build_pip_package是sh_binary目标其data包含README.md、__init__.py、setup.py以及//:deepmind_lab.so这正是打包阶段需要收集的核心文件清单。构建与安装的整体流程根据官方文档完整流程分为四步安装项目依赖External dependencies使用 Bazel 构建项目资产与二进制build assets and binaries将资产与二进制捆绑成 Python 包bundle into a Python package安装该包install the package。如果你已经配置好依赖可以直接使用下面的短版本命令在仓库根目录执行git clone https://github.com/deepmind/lab.git cd lab bazel build -c opt --python_versionPY2 //python/pip_package:build_pip_package ./bazel-bin/python/pip_package/build_pip_package /tmp/dmlab_pkg pip install /tmp/dmlab_pkg/deepmind_lab-1.0-py2-none-any.whl --force-reinstall其中第三条命令运行打包脚本将产物 wheel 输出到/tmp/dmlab_pkg第四条命令把生成的.whl安装进当前 Python 环境。--force-reinstall的作用是覆盖已安装的旧版本下文卸载与重装还会详细说明。依赖准备外部依赖首先请参考仓库根目录 README.md 中External dependencies, prerequisites and porting notes一节安装缺失的系统依赖。在此基础上构建 pip 包还需要pip、wheel 与 setuptoolsvirtualenv可选但官方推荐关于虚拟环境中的 NumPy 版本匹配如果使用 virtualenv可能需要在该隔离环境中用 pip 重新安装 NumPy。这里有一个关键约束虚拟环境中 NumPy 的版本必须与构建 Python 模块时使用的 NumPy 版本兼容且不能更旧。如果两者不一致需要在WORKSPACE与python.BUILD文件中把 NumPy 版本改为与你 pip 包中一致的版本详见 docs/users/build.md。该文档进一步给出了如何查找运行时 NumPy 头文件路径的方法import numpy as np print(np.get_include())从仓库的 python/pip_package/setup.py 可以看到包声明的运行时依赖为numpy 1.13.3与six 1.10.0这构成了 NumPy 版本匹配的下限依据install_requires[ numpy 1.13.3, six 1.10.0, ], extras_require{ dmenv_module: [dm-env], },Python 2 与 Python 3 的选择模块针对哪个 Python 版本 API 构建由 Bazel 的--python_version标志决定Python 2bazel build -c opt --python_versionPY2 //python/pip_package:build_pip_packagePython 3bazel build -c opt --python_versionPY3 //python/pip_package:build_pip_package针对 Python 3 构建时通常还需要使用virtualenv --pythonpython3创建虚拟环境在运行打包脚本前设置export PYTHON_BIN_PATH/usr/bin/python3确保打包脚本调用的是与构建时一致的解释器。生成的.whl文件名中会包含-py2-或-py3-字样可用于区分构建目标。另外自 Bazel 0.27 起默认的 Python 版本为PY3。从 python/pip_package/build_pip_package.sh 的源码可以看到PYTHON_BIN_PATH的实际处理逻辑如果未设置该环境变量脚本会依次尝试which python || which python3并在路径无效时报错退出最终调用${PYTHON_BIN_PATH} setup.py bdist_wheel生成 wheel。构建资产与二进制克隆仓库后在lab目录下执行cd lab bazel build -c opt //python/pip_package:build_pip_package如果构建失败请确认已拉取最新代码已安装全部 DeepMind Lab 依赖对照 README.md 的依赖清单逐一核对。需要特别注意的是对 DeepMind Lab 的任何改动——包括新增游戏脚本Lua level、模型、纹理或 C/C 代码——都需要重新构建打包脚本并重新执行后续安装步骤。这是因为打包脚本会把构建产物连同 runfiles 一起收集进 wheel旧产物不会自动更新。打包资产与二进制运行打包脚本生成分发文件./bazel-bin/python/pip_package/build_pip_package /tmp/dmlab_pkg脚本必须从 DeepMind Lab 源码根目录运行因为它依赖当前目录下的bazel-bin目录脚本源码中有明确的检查找不到bazel-bin时会提示Did you run from the root of the build tree?。从 python/pip_package/build_pip_package.sh 可以还原打包脚本的完整工作流程用mktemp创建临时目录将 Bazel 构建产物的 runfiles 复制进临时目录新式结构含org_deepmind_lab前缀复制bazel-bin/python/pip_package/build_pip_package.runfiles/org_deepmind_lab旧式结构则复制整个runfiles目录并统一重命名为deepmind_lab依次拷贝README.md、setup.py把__init__.py复制为包内的deepmind_lab/__init__.py把 python/dmenv_module.py 复制为deepmind_lab/dmenv_module.py生成MANIFEST.in把deepmind_lab目录下的所有文件登记进包清单调用setup.py bdist_wheel生成 wheel并拷贝到目标目录DEST。从runfiles的复制行为可以看出wheel 中不仅包含 Python 包装代码还包含 DeepMind Lab 的全部运行时资源地图、游戏脚本、模型等因此安装后无需额外下载数据文件即可直接运行关卡。使用 virtualenv 安装官方推荐的安装方式是 Virtualenv它能把不同项目的依赖彼此隔离。以下步骤均在虚拟环境内进行。创建并激活虚拟环境在项目目录下执行cd ~/my_agent virtualenv agentenv source agentenv/bin/activate如果希望虚拟环境复用系统级 Python 包例如系统已装好的 NumPy可以改用virtualenv --system-site-package agentenv这样后续就不需要再在虚拟环境中安装 NumPy。激活后安装剩余依赖若未使用--system-site-package(agentenv)$ pip install numpy然后安装打包阶段生成的 wheel/tmp/dmlab_pkg下(agentenv)$ pip install /tmp/dmlab_pkg/deepmind_lab-1.0-py2-none-any.whl安装成功后DeepMind Lab 就可以作为独立模块使用了。结束工作时用deactivate退出虚拟环境(agentenv)$ deactivate验证安装跑一个最小智能体新建agent.py内容如下import deepmind_lab import numpy as np # Create a new environment object. lab deepmind_lab.Lab(demos/extra_entities, [RGB_INTERLEAVED], {fps: 30, width: 80, height: 60}) lab.reset(seed1) # Execute 100 walk-forward steps and sum the returned rewards from each step. print(sum( [lab.step(np.array([0,0,0,1,0,0,0], dtypenp.intc)) for i in range(0, 100)]))运行(agentenv)$ python agent.pyDeepMind Lab 会在控制台输出大量调试/诊断信息但最后会打印一个奖励数值。对于示例中的demos/extra_entities关卡该值应为4.0因为出生点正前方有四个苹果向前走会依次吃到它们。这段代码对应原生 API 的核心用法Lab构造环境关卡名、观测列表、配置字典reset(seed1)固定随机种子以复现实验step()接收一个np.intc类型的 7 维动作数组并返回单步奖励。你可以参考仓库中的 python/random_agent_simple.py随机动作采样智能体与 python/random_agent.py 了解更完整的 agent 循环写法。卸载与重装如果修改了被打包进 wheel 的文件需要让新版本生效有两种方式先卸载旧版本再安装新版本安装时直接加--force-reinstall标志即短版本命令中的做法。彻底卸载pip uninstall deepmind_lab如果同时安装到了虚拟环境和系统级包需要对两个环境各执行一次。DeepMind Lab Python API 速览独立安装的 Python 模块与 Bazel 项目内构建使用完全相同的 API完整参考见 docs/users/python_api.md。这里摘录几个核心要点。环境构造deepmind_lab.Labimport deepmind_lab observations [RGBD] env deepmind_lab.Lab(lt_chasm, observations, config{width: 640, # screen size, in pixels height: 480, # screen size, in pixels botCount: 2}, # lt_chasm option. rendererhardware) # select renderer. env.reset()构造函数的完整签名为Lab(level, observations, config{}, renderersoftware, level_cacheNone)。其中config字典以字符串键值对的形式提供额外设置已识别的选项如下选项说明默认值width观测帧的水平分辨率320height观测帧的垂直分辨率240fps每秒帧数60levelDirectory关卡目录的可选路径相对路径相对于game_scripts/levelsappendCommand注入内部 Quake 控制台的命令mixerSeed与喂给环境的每个 seed 组合用于划分互不重叠的种子子集0未被识别的选项会被透传给关卡的 init 函数在 Lua 中对应api:init的kwargs.opts。config的键值必须是字符串——python/tests/dmlab_module_test.py 中的testInitArgs用例验证了传 list 或非字符串值会分别抛出TypeError传未知观测名会抛出ValueError。渲染器与图形后端renderer参数的可选值与构建时使用的--define graphicsoption相关--define graphicsosmesa_or_egl默认renderersoftware使用 OSMesa 软件渲染rendererhardware使用 EGL 渲染。--define graphicsosmesa_or_glxrenderersoftware使用 OSMesarendererhardware使用 GLX。--define graphicssdl渲染到原生窗口此时observations中必须包含以RGB开头的观测才能正确渲染。机器学习智能体通常使用无头渲染EGL/GLX 或 OSMesa不需要显示窗口。环境对象的核心方法reset(episode-1, seedNone)重置环境以开始新回合seed省略或为None时使用随机种子mixerSeed会与每次传入的 seed 组合。num_steps()返回距上次reset()以来的帧数。is_running()环境是否仍在运行。step(action, num_steps1)执行动作推进若干帧。action必须是np.intc类型的 NumPy 数组并遵循action_spec()的约定。observation_spec()返回支持的所有观测的名称、dtype 与 shape 列表若某维度在运行时才确定该维度记为 0。action_spec()返回动作数组各维度的 min/max 范围。以空房间测试关卡为例包含LOOK_LEFT_RIGHT_PIXELS_PER_FRAME-512~512、LOOK_DOWN_UP_PIXELS_PER_FRAME-512~512、STRAFE_LEFT_RIGHT-1~1、MOVE_BACK_FORWARD-1~1、FIRE0~1、JUMP0~1、CROUCH0~1共 7 个维度。observations()返回初始化时指定的观测值为 NumPy 数组。events()返回自上次reset()/step()以来发生的事件列表每个事件是名称观测列表元组。close()关闭环境并释放底层 Quake III Arena 实例关闭后仅允许调用is_running()。以上方法均有对应的测试覆盖例如 python/tests/dmlab_module_test.py 的testSpecs校验了观测/动作 spec 的名称集合testVeloctyObservations验证了VEL.TRANS/VEL.ROT速度观测在前进、后退与侧视动作下的数值行为testEvents验证了事件语义与回合终止逻辑可作为你编写 agent 时对 API 行为预期的权威参考。绑定 DeepMind 通用 dm_env API除了原生 API仓库还提供了一个适配器模块 python/dmenv_module.py把 DeepMind Lab 暴露为 DeepMind 通用强化学习 APIdm_env下的dm_env.Environment。该适配器同样被打包进上述 pip 包安装后可用如下方式导入from deepmind_lab import dmenv_module as dm_env_lab lab dm_env_lab.Lab(levellt_chasm, observation_names[RGB], config{})dm_env 绑定所需的额外依赖通过 pip extra 安装pip install /tmp/dmlab_pkg/deepmind_lab-1.0-py2-none-any.whl[dmenv_module]该 extra 在 setup.py 中声明为dmenv_module: [dm-env]。从 python/dmenv_module.py 的实现看适配器做了如下映射把 DeepMind Lab 原生action_spec()的每个动作维度转换为dm_env.specs.BoundedArrayint32、标量 shape并用名字建立动作索引映射step()时按名字把dm_env的字典动作填充进原生动作数组再转发给deepmind_lab.Lab.step()根据is_running()的结果返回dm_env.transition(...)或dm_env.termination(...)回合结束后下一次step()会自动触发reset()。需要提醒的是并非所有 DeepMind Lab 功能都能通过 dm_env API 暴露。例如截至编写时dm_env 的观测 spec 不允许动态 shape而 DeepMind Lab 原生 API见 third_party/rl_api/env_c_api.h支持动态 shape——适配器在遇到包含 0 维动态维度的观测时会直接抛出NotImplementedError。因此当你的实验依赖动态形状观测如程序化生成的关卡时应优先使用原生deepmind_lab.LabAPI。小结至此你已掌握 DeepMind Lab Python 模块的完整使用链路理解 pip 包在仓库中的构成原生.so 包装层 runfiles 资源、按官方流程从 Bazel 构建到 wheel 打包与 virtualenv 安装、用最小 agent 验证安装、掌握Lab环境的核心 API 与config配置参数并能根据需求在原生 Python API 与dm_env适配器之间做出选择。如需更深入地定制关卡、观测与奖励可继续阅读 docs/users/python_api.md 与 docs/developers/reference.md。赞分享人工智能强化学习机器学习【免费下载链接】labA customisable 3D platform for agent-based AI research项目地址https://gitcode.com/gh_mirrors/la/lab点击查看免费下载相关推荐DeepMind Lab Python 环境 API 完全指南从 Lab 类到 level_cache 的实战解析DeepMind Lab Python 环境 API 完全指南从 Lab 类到 level_cache 的实战解析 DeepMind Lab 是一个面向 ag人工智能强化学习机器学习tensorflowjs Python 包实战指南从 pip 安装、CLI 转换器到 Bazel 测试与调试tensorflowjs Python 包实战指南从 pip 安装、CLI 转换器到 Bazel 测试与调试 tensorflowjs 是 TensorFlo人工智能机器学习深度学习前端后端开发者必看dlite-v1-355m的Pipeline架构与自定义扩展方法开发者必看dlite v1 355m的Pipeline架构与自定义扩展方法 dlite v1 355m是一款轻量级AI模型其核心Pipeline架构为开发者创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 DeepMind Lab Python 模块：从 Bazel 构建到 pip 安装的完整实战指南
人工智能强化学习机器学习【免费下载链接】labA customisable 3D platform for agent-based AI research项目地址https://gitcode.com/gh_mirrors/la/lab点击查看免费下载导读DeepMind Lab 是一个面向智能体agent研究的可定制 3D 平台其 Python 模块deepmind_lab是官方推荐的、在 Bazel 项目之外使用该环境的方式。本文以 python/pip_package/README.md 为骨架完整讲解从依赖准备、Bazel 构建、打包成 wheel 到 pip 安装与验证的整条链路并结合仓库内的打包脚本、setup.py、模块加载源码与测试用例帮助你理解每个环节的底层原理。读完本文你将能够独立构建并安装 DeepMind Lab 的 Python 包创建环境对象、驱动智能体交互并选择使用原生 Python API 或 DeepMind 通用dm_envAPI。DeepMind Lab Python 模块是什么DeepMind Lab 的 Python 模块是官方推荐的、在 Bazel 项目之外使用 DeepMind Lab 的方式。安装后你可以在任意 Python 项目中以import deepmind_lab的方式创建和运行环境使用的 API 与在 Bazel 项目内构建时完全一致。从仓库源码可以看到模块的实际构成python/pip_package/init.py 中deepmind_lab包通过imp.load_dynamic加载随包分发的动态库deepmind_lab.so并把其中的Lab类暴露为模块的顶层符号_deepmind_lab imp.load_dynamic( __name__, pkg_resources.resource_filename(__name__, deepmind_lab.so)) Lab _deepmind_lab.Lab # needed from within dmenv_module也就是说pip 包的本质是原生动态库 Python 包装层的捆绑分发。python/pip_package/BUILD 中的build_pip_package是sh_binary目标其data包含README.md、__init__.py、setup.py以及//:deepmind_lab.so这正是打包阶段需要收集的核心文件清单。构建与安装的整体流程根据官方文档完整流程分为四步安装项目依赖External dependencies使用 Bazel 构建项目资产与二进制build assets and binaries将资产与二进制捆绑成 Python 包bundle into a Python package安装该包install the package。如果你已经配置好依赖可以直接使用下面的短版本命令在仓库根目录执行git clone https://github.com/deepmind/lab.git cd lab bazel build -c opt --python_versionPY2 //python/pip_package:build_pip_package ./bazel-bin/python/pip_package/build_pip_package /tmp/dmlab_pkg pip install /tmp/dmlab_pkg/deepmind_lab-1.0-py2-none-any.whl --force-reinstall其中第三条命令运行打包脚本将产物 wheel 输出到/tmp/dmlab_pkg第四条命令把生成的.whl安装进当前 Python 环境。--force-reinstall的作用是覆盖已安装的旧版本下文卸载与重装还会详细说明。依赖准备外部依赖首先请参考仓库根目录 README.md 中External dependencies, prerequisites and porting notes一节安装缺失的系统依赖。在此基础上构建 pip 包还需要pip、wheel 与 setuptoolsvirtualenv可选但官方推荐关于虚拟环境中的 NumPy 版本匹配如果使用 virtualenv可能需要在该隔离环境中用 pip 重新安装 NumPy。这里有一个关键约束虚拟环境中 NumPy 的版本必须与构建 Python 模块时使用的 NumPy 版本兼容且不能更旧。如果两者不一致需要在WORKSPACE与python.BUILD文件中把 NumPy 版本改为与你 pip 包中一致的版本详见 docs/users/build.md。该文档进一步给出了如何查找运行时 NumPy 头文件路径的方法import numpy as np print(np.get_include())从仓库的 python/pip_package/setup.py 可以看到包声明的运行时依赖为numpy 1.13.3与six 1.10.0这构成了 NumPy 版本匹配的下限依据install_requires[ numpy 1.13.3, six 1.10.0, ], extras_require{ dmenv_module: [dm-env], },Python 2 与 Python 3 的选择模块针对哪个 Python 版本 API 构建由 Bazel 的--python_version标志决定Python 2bazel build -c opt --python_versionPY2 //python/pip_package:build_pip_packagePython 3bazel build -c opt --python_versionPY3 //python/pip_package:build_pip_package针对 Python 3 构建时通常还需要使用virtualenv --pythonpython3创建虚拟环境在运行打包脚本前设置export PYTHON_BIN_PATH/usr/bin/python3确保打包脚本调用的是与构建时一致的解释器。生成的.whl文件名中会包含-py2-或-py3-字样可用于区分构建目标。另外自 Bazel 0.27 起默认的 Python 版本为PY3。从 python/pip_package/build_pip_package.sh 的源码可以看到PYTHON_BIN_PATH的实际处理逻辑如果未设置该环境变量脚本会依次尝试which python || which python3并在路径无效时报错退出最终调用${PYTHON_BIN_PATH} setup.py bdist_wheel生成 wheel。构建资产与二进制克隆仓库后在lab目录下执行cd lab bazel build -c opt //python/pip_package:build_pip_package如果构建失败请确认已拉取最新代码已安装全部 DeepMind Lab 依赖对照 README.md 的依赖清单逐一核对。需要特别注意的是对 DeepMind Lab 的任何改动——包括新增游戏脚本Lua level、模型、纹理或 C/C 代码——都需要重新构建打包脚本并重新执行后续安装步骤。这是因为打包脚本会把构建产物连同 runfiles 一起收集进 wheel旧产物不会自动更新。打包资产与二进制运行打包脚本生成分发文件./bazel-bin/python/pip_package/build_pip_package /tmp/dmlab_pkg脚本必须从 DeepMind Lab 源码根目录运行因为它依赖当前目录下的bazel-bin目录脚本源码中有明确的检查找不到bazel-bin时会提示Did you run from the root of the build tree?。从 python/pip_package/build_pip_package.sh 可以还原打包脚本的完整工作流程用mktemp创建临时目录将 Bazel 构建产物的 runfiles 复制进临时目录新式结构含org_deepmind_lab前缀复制bazel-bin/python/pip_package/build_pip_package.runfiles/org_deepmind_lab旧式结构则复制整个runfiles目录并统一重命名为deepmind_lab依次拷贝README.md、setup.py把__init__.py复制为包内的deepmind_lab/__init__.py把 python/dmenv_module.py 复制为deepmind_lab/dmenv_module.py生成MANIFEST.in把deepmind_lab目录下的所有文件登记进包清单调用setup.py bdist_wheel生成 wheel并拷贝到目标目录DEST。从runfiles的复制行为可以看出wheel 中不仅包含 Python 包装代码还包含 DeepMind Lab 的全部运行时资源地图、游戏脚本、模型等因此安装后无需额外下载数据文件即可直接运行关卡。使用 virtualenv 安装官方推荐的安装方式是 Virtualenv它能把不同项目的依赖彼此隔离。以下步骤均在虚拟环境内进行。创建并激活虚拟环境在项目目录下执行cd ~/my_agent virtualenv agentenv source agentenv/bin/activate如果希望虚拟环境复用系统级 Python 包例如系统已装好的 NumPy可以改用virtualenv --system-site-package agentenv这样后续就不需要再在虚拟环境中安装 NumPy。激活后安装剩余依赖若未使用--system-site-package(agentenv)$ pip install numpy然后安装打包阶段生成的 wheel/tmp/dmlab_pkg下(agentenv)$ pip install /tmp/dmlab_pkg/deepmind_lab-1.0-py2-none-any.whl安装成功后DeepMind Lab 就可以作为独立模块使用了。结束工作时用deactivate退出虚拟环境(agentenv)$ deactivate验证安装跑一个最小智能体新建agent.py内容如下import deepmind_lab import numpy as np # Create a new environment object. lab deepmind_lab.Lab(demos/extra_entities, [RGB_INTERLEAVED], {fps: 30, width: 80, height: 60}) lab.reset(seed1) # Execute 100 walk-forward steps and sum the returned rewards from each step. print(sum( [lab.step(np.array([0,0,0,1,0,0,0], dtypenp.intc)) for i in range(0, 100)]))运行(agentenv)$ python agent.pyDeepMind Lab 会在控制台输出大量调试/诊断信息但最后会打印一个奖励数值。对于示例中的demos/extra_entities关卡该值应为4.0因为出生点正前方有四个苹果向前走会依次吃到它们。这段代码对应原生 API 的核心用法Lab构造环境关卡名、观测列表、配置字典reset(seed1)固定随机种子以复现实验step()接收一个np.intc类型的 7 维动作数组并返回单步奖励。你可以参考仓库中的 python/random_agent_simple.py随机动作采样智能体与 python/random_agent.py 了解更完整的 agent 循环写法。卸载与重装如果修改了被打包进 wheel 的文件需要让新版本生效有两种方式先卸载旧版本再安装新版本安装时直接加--force-reinstall标志即短版本命令中的做法。彻底卸载pip uninstall deepmind_lab如果同时安装到了虚拟环境和系统级包需要对两个环境各执行一次。DeepMind Lab Python API 速览独立安装的 Python 模块与 Bazel 项目内构建使用完全相同的 API完整参考见 docs/users/python_api.md。这里摘录几个核心要点。环境构造deepmind_lab.Labimport deepmind_lab observations [RGBD] env deepmind_lab.Lab(lt_chasm, observations, config{width: 640, # screen size, in pixels height: 480, # screen size, in pixels botCount: 2}, # lt_chasm option. rendererhardware) # select renderer. env.reset()构造函数的完整签名为Lab(level, observations, config{}, renderersoftware, level_cacheNone)。其中config字典以字符串键值对的形式提供额外设置已识别的选项如下选项说明默认值width观测帧的水平分辨率320height观测帧的垂直分辨率240fps每秒帧数60levelDirectory关卡目录的可选路径相对路径相对于game_scripts/levelsappendCommand注入内部 Quake 控制台的命令mixerSeed与喂给环境的每个 seed 组合用于划分互不重叠的种子子集0未被识别的选项会被透传给关卡的 init 函数在 Lua 中对应api:init的kwargs.opts。config的键值必须是字符串——python/tests/dmlab_module_test.py 中的testInitArgs用例验证了传 list 或非字符串值会分别抛出TypeError传未知观测名会抛出ValueError。渲染器与图形后端renderer参数的可选值与构建时使用的--define graphicsoption相关--define graphicsosmesa_or_egl默认renderersoftware使用 OSMesa 软件渲染rendererhardware使用 EGL 渲染。--define graphicsosmesa_or_glxrenderersoftware使用 OSMesarendererhardware使用 GLX。--define graphicssdl渲染到原生窗口此时observations中必须包含以RGB开头的观测才能正确渲染。机器学习智能体通常使用无头渲染EGL/GLX 或 OSMesa不需要显示窗口。环境对象的核心方法reset(episode-1, seedNone)重置环境以开始新回合seed省略或为None时使用随机种子mixerSeed会与每次传入的 seed 组合。num_steps()返回距上次reset()以来的帧数。is_running()环境是否仍在运行。step(action, num_steps1)执行动作推进若干帧。action必须是np.intc类型的 NumPy 数组并遵循action_spec()的约定。observation_spec()返回支持的所有观测的名称、dtype 与 shape 列表若某维度在运行时才确定该维度记为 0。action_spec()返回动作数组各维度的 min/max 范围。以空房间测试关卡为例包含LOOK_LEFT_RIGHT_PIXELS_PER_FRAME-512~512、LOOK_DOWN_UP_PIXELS_PER_FRAME-512~512、STRAFE_LEFT_RIGHT-1~1、MOVE_BACK_FORWARD-1~1、FIRE0~1、JUMP0~1、CROUCH0~1共 7 个维度。observations()返回初始化时指定的观测值为 NumPy 数组。events()返回自上次reset()/step()以来发生的事件列表每个事件是名称观测列表元组。close()关闭环境并释放底层 Quake III Arena 实例关闭后仅允许调用is_running()。以上方法均有对应的测试覆盖例如 python/tests/dmlab_module_test.py 的testSpecs校验了观测/动作 spec 的名称集合testVeloctyObservations验证了VEL.TRANS/VEL.ROT速度观测在前进、后退与侧视动作下的数值行为testEvents验证了事件语义与回合终止逻辑可作为你编写 agent 时对 API 行为预期的权威参考。绑定 DeepMind 通用 dm_env API除了原生 API仓库还提供了一个适配器模块 python/dmenv_module.py把 DeepMind Lab 暴露为 DeepMind 通用强化学习 APIdm_env下的dm_env.Environment。该适配器同样被打包进上述 pip 包安装后可用如下方式导入from deepmind_lab import dmenv_module as dm_env_lab lab dm_env_lab.Lab(levellt_chasm, observation_names[RGB], config{})dm_env 绑定所需的额外依赖通过 pip extra 安装pip install /tmp/dmlab_pkg/deepmind_lab-1.0-py2-none-any.whl[dmenv_module]该 extra 在 setup.py 中声明为dmenv_module: [dm-env]。从 python/dmenv_module.py 的实现看适配器做了如下映射把 DeepMind Lab 原生action_spec()的每个动作维度转换为dm_env.specs.BoundedArrayint32、标量 shape并用名字建立动作索引映射step()时按名字把dm_env的字典动作填充进原生动作数组再转发给deepmind_lab.Lab.step()根据is_running()的结果返回dm_env.transition(...)或dm_env.termination(...)回合结束后下一次step()会自动触发reset()。需要提醒的是并非所有 DeepMind Lab 功能都能通过 dm_env API 暴露。例如截至编写时dm_env 的观测 spec 不允许动态 shape而 DeepMind Lab 原生 API见 third_party/rl_api/env_c_api.h支持动态 shape——适配器在遇到包含 0 维动态维度的观测时会直接抛出NotImplementedError。因此当你的实验依赖动态形状观测如程序化生成的关卡时应优先使用原生deepmind_lab.LabAPI。小结至此你已掌握 DeepMind Lab Python 模块的完整使用链路理解 pip 包在仓库中的构成原生.so 包装层 runfiles 资源、按官方流程从 Bazel 构建到 wheel 打包与 virtualenv 安装、用最小 agent 验证安装、掌握Lab环境的核心 API 与config配置参数并能根据需求在原生 Python API 与dm_env适配器之间做出选择。如需更深入地定制关卡、观测与奖励可继续阅读 docs/users/python_api.md 与 docs/developers/reference.md。赞分享人工智能强化学习机器学习【免费下载链接】labA customisable 3D platform for agent-based AI research项目地址https://gitcode.com/gh_mirrors/la/lab点击查看免费下载相关推荐DeepMind Lab Python 环境 API 完全指南从 Lab 类到 level_cache 的实战解析DeepMind Lab Python 环境 API 完全指南从 Lab 类到 level_cache 的实战解析 DeepMind Lab 是一个面向 ag人工智能强化学习机器学习tensorflowjs Python 包实战指南从 pip 安装、CLI 转换器到 Bazel 测试与调试tensorflowjs Python 包实战指南从 pip 安装、CLI 转换器到 Bazel 测试与调试 tensorflowjs 是 TensorFlo人工智能机器学习深度学习前端后端开发者必看dlite-v1-355m的Pipeline架构与自定义扩展方法开发者必看dlite v1 355m的Pipeline架构与自定义扩展方法 dlite v1 355m是一款轻量级AI模型其核心Pipeline架构为开发者创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考