معرفی شرکت ها
crop-coach-2.0.4
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشترتوضیحات
crop_coach : A crop growth simulation model turn into OpenAI Gym environment
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | crop-coach-2.0.4 |
| نام | crop-coach |
| نسخه کتابخانه | 2.0.4 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | AgriEdge (Noureddine Ech-chouky) |
| ایمیل نویسنده | <noureddine.echchuky@um5r.ac.ma> |
| آدرس صفحه اصلی | - |
| آدرس اینترنتی | https://pypi.org/project/crop-coach/ |
| مجوز | - |
# CropCoach
Developed by Noureddine Ech-chouky, AgriEdge(c) 2022
## Initialing CropCoach with default parameters:
```python
import gym
# -- Initializing the environment : with the default parameters
env = gym.make("CropCoach-v0")
```
## Examples of How To Use (Alpha Version)
Initiation the environment
```python
import gym
# -- Initializing the environment : with the default parameters
env = gym.make("CropCoach-v0")
# -- Sample from observation space :
print(env.observation_space.sample())
# -- Sample from action space :
print(env.action_space.sample())
```
Simple Rl loop
```python
import gym
import CropCoach
import shutup
shutup.please()
# -- Define the env :
env = gym.make("CropCoach-v0")
# -- Test the env : the rewarding mecanism
episodes = 10
for episode in range(1, episodes + 1):
state = env.reset()
done = False
score = 0
while not done:
# env.render()
action = env.action_space.sample()
# action = np.array([1000])
print(f"----------- action : {action} -------------\n")
n_state, reward, done, info = env.step(action)
print(f"----------- done : {done} -------------\n")
print(f"----------- state : {n_state} -------------\n")
print(f"----------- reward : {reward} -------------\n")
score += reward
print(f"Episode --:{episode} Score --:{score}")
```
Train agents Using stable baselines3 : you need to install stable baselines3 and configure wandb platform, see : [my wofost project](https://github.com/nour3467/Rl-wofost-Agriculture-Recomender)
```python
# -- Importing dependencies :
import gym
from CropCoach
import numpy as np
import random
import os
import time
from pprint import pprint
from stable_baselines3.common.callbacks import BaseCallback
from stable_baselines3 import A2C, PPO
def create_list_dir(paths_list):
for path in paths_list:
if not os.path.exists(path):
os.makedirs(path)
# logs folder :
from datetime import datetime
# datetime object containing current date and time
now = datetime.now().strftime("%a_%b_%Y_%I_%M_%p")
Test_Objective = "Default_PPO_vs_A2C_MultiDiscrete"
logs_dir = f"logs_{Test_Objective}_{now}"
models_dir = f"models_{Test_Objective}_{now}"
paths_list = [logs_dir, models_dir]
# create the logs and models folders :
create_list_dir(paths_list)
# # -- Init the env :
env = gym.make("wofost-v0")
# -- Use weights and biases track training and evaluation :
import wandb
from wandb.integration.sb3 import WandbCallback
# -- Init wandb configuration :
config = {"policy_type": "MlpPolicy", "total_timesteps": 10000}
experiment_name = f"{Test_Objective}_{now}"
run = wandb.init(
name=experiment_name,
project="Paper_Experiments",
config=config,
sync_tensorboard=True, # auto-upload sb3's tensorboard metrics
save_code=True, # optional
)
TIMESTEPS = config["total_timesteps"]
a2c_agent = A2C("MlpPolicy", env, tensorboard_log=logs_dir, verbose=1)
ppo_agent = PPO("MlpPolicy", env, tensorboard_log=logs_dir, verbose=1)
print("Training the A2C agent...")
a2c_agent.learn(
total_timesteps=TIMESTEPS,
tb_log_name="A2C",
callback=WandbCallback(
gradient_save_freq=2,
log="all",
verbose=1,
),
)
a2c_agent.save(f"{models_dir}/a2c_{TIMESTEPS}")
print("Done training the A2C agent")
print("Training the PPO agent...")
ppo_agent.learn(
total_timesteps=TIMESTEPS,
tb_log_name="PPO",
callback=WandbCallback(
gradient_save_freq=2,
log="all",
verbose=1,
),
)
ppo_agent.save(f"{models_dir}/ppo_{TIMESTEPS}")
print("Done training the PPO agent")
run.finish()
env.close()
```
Changing the default parameters :
```python
import gym
import crop_coach
import shutup
shutup.please()
crop_path = "C:/Users/noureddine/Desktop/default_data/crop/crop.cab"
site_path = "C:/Users/noureddine/Desktop/default_data/site/site.cab"
soil_path = "C:/Users/noureddine/Desktop/default_data/soil/soil.cab"
args={
"files_paths": {
"site":site_path, "soil":soil_path, "crop":crop_path
},
"sample_year":True,
"Agromanager_dict":{
"crop_name": "wheat","crop_variety": "Winter_wheat_101","campaign_start_date": "-01-01","crop_start_type":"emergence","emergence_date": "-03-31","crop_end_type": "harvest","harvest_date": "-08-11", "max_duration": 300
},
"Costs_dict": {"Irrigation": 150, "N": 8, "P": 8.5, "K": 7, "Selling": 2.5},
"Discount_factors_dict": {"Irrigation": 1, "N": 1, "P": 1, "K": 1},
"year": 2019,
"years_count": 1,
}
# -- Define the env :
env = gym.make("CropCoach-v0", **args)
# -- Test the env : the rewarding mecanism
episodes = 10
for episode in range(1, episodes + 1):
state = env.reset()
done = False
score = 0
while not done:
env.render()
action = env.action_space.sample()
# action = np.array([1000])
print(f"----------- action : {action} -------------\n")
n_state, reward, done, info = env.step(action)
print(f"----------- done : {done} -------------\n")
print(f"----------- state : {n_state} -------------\n")
print(f"----------- reward : {reward} -------------\n")
score += reward
print(f"Episode --:{episode} Score --:{score}")
```
نحوه نصب
نصب پکیج whl crop-coach-2.0.4:
pip install crop-coach-2.0.4.whl
نصب پکیج tar.gz crop-coach-2.0.4:
pip install crop-coach-2.0.4.tar.gz