who

gym中的环境有几种，都可以在官网找到gym官网—环境

• Classic control and toy text（经典控制和玩具文本）
• Atari（Atari游戏）
• 2D and 3D robots（2D和3D机器人）

使用代码

from gym import envs
print(envs.registry.all())

输出会是一个字典，其中包含gym的全部环境

开发RL算法时，请使用下面的写法，很简单

import gym
env = gym.make('CartPole-v0')

Background: Why Gym? (2016)

基本上官网在分析，RL现在哪里好，在哪里又受到限制。

这里简单摘要

• 好处

1. RL的应用可以很广
2. RL现在在一些困难的场景中已经很厉害了，例如AlphaGo

• 受到限制

3. 适用RL的环境缺乏多样性
4. 适用RL的环境缺乏标准，论文难以浮现

gym的目的就是解决这些

总结

官网的东西就这么多啦，算上这篇我已经总结了三篇gym官网的文档了。

接下来的工作就是

1. 我会想办法把mujoco搞一套
2. gym官网github上的代码分析一波
3. 最后拿几个小环境跑跑一些更新更强大的RL算法
4. 【附录】我其实水过pysc2，但这次我可能会认真搞一搞

有兴趣加关注啦