Разработка алгоритмов

Хотя пользователи могут делать всё, что им нравится, для разработки и тестирования своих алгоритмов, мы рекомендуем оборачивать новый алгоритм в класс Agent на примере агента (../rlcard/agents/random_agent.py). Чтобы быть совместимым с основными интерфейсами, агент должен иметь следующие функции и атрибут:

• step: на основе текущего состояния предсказать следующее действие.
• eval_step: аналогично step, но для целей оценки. Алгоритмы обучения с подкреплением обычно добавляют некоторый шум для лучшего исследования в процессе обучения. При оценке шум не добавляется, чтобы сделать прогнозы.
• use_raw: логический атрибут. True, если агент использует необработанные состояния для рассуждений; False, если агент использует числовые значения для игры (например, нейронные сети).