File size: 1,840 Bytes
ea1b939 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 | ---
license: mit
tags:
- reinforcement-learning
- ddpg
- diffusion
- gpt
- pytorch
- painting
library_name: pytorch
---
# Mirabilia — Checkpoints
Poids entraînés du projet **[Mirabilia_Painter](https://github.com/RaphGonz/Mirabilia_Painter)**,
une réimplémentation de *"Learning to Paint"* (DDPG + renderer neuronal différentiable) et
ses évolutions, documentées publiquement dans la série **Mirabilia**.
Un agent RL apprend à peindre une image cible en posant des traits rectangulaires opaques
sur une toile 64×64, guidé par un signal L2 incrémental.
## Contenu du repo
| Dossier | Modèle | Description |
|---------|--------|-------------|
| `painter/` | DDPG (le peintre) | `actor.pt`, `critic.pt`, `disc.pt`, `disc_target.pt`, `opt.pt` |
| `llm/` | GPT decoder-only (from scratch) | `gpt.pt` (poids), `opt.pt` (optimiseur) par itération |
| `diffusion/` | UNet (diffusion) | `unet.pt`, `unet_ema.pt`, `opt.pt` par époque |
| `diffusion_cache/` | Embeddings | Embeddings texte précalculés (reproductibilité) |
Chaque sous-dossier contient un checkpoint par étape d'entraînement
(ex. `painter/ep_006000/`, `llm/iter_720000/`, `diffusion/ep_002000/`).
Les fichiers `opt.pt` (états de l'optimiseur) ne sont utiles que pour **reprendre**
un entraînement ; pour utiliser un modèle, seuls les poids (`actor.pt`, `gpt.pt`,
`unet_ema.pt`) sont nécessaires.
## Utilisation
```python
from huggingface_hub import hf_hub_download
import torch
# Exemple : charger le peintre DDPG final
path = hf_hub_download(repo_id="RaphGonz/Mirabilia", filename="painter/ep_006000/actor.pt")
state = torch.load(path, map_location="cpu")
```
Voir le dépôt GitHub pour l'architecture complète, l'environnement et les scripts d'entraînement.
## Stack
PyTorch 2.7 · CUDA 12.x · entraînement local (GPU NVIDIA).
|