| --- |
| 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). |
|
|
