كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةأكاديمية الوكلاء الذكيينمختبر أخلاقيات الذكاء الاصطناعي والعدالةساحة ألعاب الذكاء الاصطناعيعبقري الذكاء الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةموسوعة أطر ومكتبات الذكاء الاصطناعيمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةموسوعة شبكات التعلم العميق الحديثةمختبر الشبكات العصبية البيانيةمختبر تحليل الصور الطبيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيأكاديمية ماتلاب والذكاء الاصطناعيمصمم الشبكات العصبيةأكاديمية الذكاء الاصطناعي بدون برمجةمختبر الذكاء الاصطناعي الكمّي

Stable-Baselines3

تنفيذات موثوقة ومختبرة لخوارزميات التعلم المعزز (PPO وDQN وSAC وA2C وTD3) على PyTorch بواجهة بسيطة.

نشطةمبتدئv2.9.2MITالتعلم المعزز

الوثائق الرسميةجرّب الأمثلة

المعلومات الأساسية

الاسمStable-Baselines3
الاسم الكاملStable-Baselines3
التصنيفالتعلم المعزز
الجهة المطورةDLR-RM ومجتمع SB3
سنة الإطلاقغير محدد
الموقع الرسميgithub.com/DLR-RM/stable-baselines3
مستودع GitHubDLR-RM/stable-baselines3
الوثائق الرسميةstable-baselines3.readthedocs.io
الحزمة على PyPIstable-baselines3
الترخيصMIT (PyPI license)
حالة المشروعنشطة صدر لها إصدار خلال آخر 12 شهراً
آخر إصدار26 أكتوبر 2026 (الإصدار 2.9.2)
لغة البرمجةPython
أنظمة التشغيلغير محدد
إصدار Python المطلوب>=3.10
مستوى الصعوبةمبتدئ

آخر تحقق من هذه البيانات: 21 نوفمبر 2026 — المصدر: PyPI JSON API (2026-11-21)

نظرة عامة

توفر SB3 خوارزميات تعلم معزز بواجهة شبيهة بـ scikit-learn (learn وpredict)، مع اختبارات شاملة ومقاييس مرجعية، ومكتبة RL Zoo للمعاملات المضبوطة، وsb3-contrib لخوارزميات إضافية.

أفضل نقطة بداية لتطبيق التعلم المعزز على بيئة Gymnasium دون كتابة الخوارزميات من الصفر.

متى تختارها؟ اخترها لتطبيق خوارزميات تعلم معزز موثوقة بسرعة.

الاستخدامات

الاستخدامات الرئيسية

  • تدريب وكلاء على بيئات Gymnasium
  • خطوط أساس موثوقة

المجالات العلمية

  • التعلم المعزز
  • الروبوتات

أنواع المشاريع المناسبة

  • وكيل يتعلم CartPole أو LunarLander

تطبيقات بحثية

  • خطوط أساس للمقارنة

التعلم المعزز

الخصائص التقنية

تُعرض الخاصية «مدعومة» فقط إذا كانت موثقة في الوثائق الرسمية للمكتبة؛ وما لم نتحقق منه يظهر «غير محدد».

دعم المعالج المركزي (CPU)مدعوم
دعم المعالج الرسومي (GPU)مدعوم
التوافق مع CUDAمدعوم
التدريب أو الحوسبة الموزعةجزئي أو عبر إضافةبيئات متوازية متعددة على جهاز واحد.
الاشتقاق التلقائي (Autodiff)مدعومعبر PyTorch.
نشر النماذج (Deployment)جزئي أو عبر إضافة
نماذج مدربة مسبقاًجزئي أو عبر إضافةنماذج مدربة عبر RL Zoo وHugging Face Hub.
أنواع البيانات المدعومةبيئات Gymnasium
التكامل مع مكتبات أخرىGymnasium، PyTorch
المرونة (تقدير تحريري)متوسطة
الأداء (تقدير تحريري)جيدة
المجتمع (تقدير تحريري)كبير
جودة التوثيق (تقدير تحريري)توثيق ممتاز

التثبيت والتشغيل

Shell
pip install stable-baselines3

التوافق: Python >=3.10 — حسب بيانات الحزمة على PyPI، تحقق في 21 نوفمبر 2026

يُفضّل التثبيت داخل بيئة افتراضية (venv أو conda). وإذا احتجت توافقاً مع إصدار معين من CUDA أو نظام التشغيل فارجع إلى الوثائق الرسمية، لأن هذه المعلومات تتغير مع كل إصدار.

أمثلة برمجية

الأمثلة الموسومة «نُفّذ واختُبر» شُغّلت فعلياً وسُجّل مخرجها وتاريخ الاختبار وإصدارات المكتبات؛ وغيرها يحتاج GPU أو تنزيل نماذج فلم يُشغّل في بيئة الاختبار.

متوسطتدريب PPO على CartPoleنُفّذ واختُبر

الهدف: تدريب وكيل بخوارزمية جاهزة وتقييمه.

Python — example.py
import gymnasium as gym
from stable_baselines3 import PPO
from stable_baselines3.common.evaluation import evaluate_policy

env = gym.make("CartPole-v1")
model = PPO("MlpPolicy", env, seed=0, verbose=0, device="cpu")
mean0, _ = evaluate_policy(model, env, n_eval_episodes=5)
model.learn(total_timesteps=20_000)
mean, std = evaluate_policy(model, env, n_eval_episodes=10)
print(f"العائد قبل التدريب: {mean0:.1f}")
print(f"العائد بعد 20 ألف خطوة: {mean:.1f} ± {std:.1f}")

شرح الكود

نُنشئ PPO بسياسة MLP ونتدرب عدداً محدوداً من الخطوات، ثم نقيّم بـ evaluate_policy على حلقات منفصلة. العائد الأقصى في CartPole-v1 هو 500. النتيجة تتأثر بعدد الخطوات والبذرة.

المتطلبات

Shell
pip install stable-baselines3 gymnasium

طريقة التشغيل

احفظ الكود في ملف example.py ثم شغّله:

Shell
python example.py

المخرجات المسجلة عند الاختبار

العائد قبل التدريب: 250.4
العائد بعد 20 ألف خطوة: 500.0 ± 0.0

نُفّذ هذا المثال فعلياً واختُبر بتاريخ 21 نوفمبر 2026 على CPU — stable-baselines3 2.9.2, gymnasium 1.4.0, python 3.13.18

صفحة المثال

كل أمثلة Stable-Baselines3 في مستكشف الأكواد

المزايا

  • تنفيذات موثوقة ومختبرة
  • واجهة بسيطة

القيود

  • أقل ملاءمة للتعديلات الجذرية على الخوارزميات
  • لا تستهدف التوزيع الواسع

المراجع والتحقق

  • صفحة الحزمة على PyPI (مصدر الإصدار والترخيص وتاريخ الإصدار) تحقق مباشر

    https://pypi.org/project/stable-baselines3/

    تاريخ التحقق: 21 نوفمبر 2026 — الإصدار المتحقق منه: 2.9.2 — المراجعة: فريق DLArabic

  • الموقع الرسمي رابط تعلنه الحزمة رسمياً على PyPI

    https://github.com/DLR-RM/stable-baselines3

    تاريخ التحقق: 21 نوفمبر 2026 — المراجعة: فريق DLArabic

  • الوثائق الرسمية رابط تعلنه الحزمة رسمياً على PyPI

    https://stable-baselines3.readthedocs.io/

    تاريخ التحقق: 21 نوفمبر 2026 — المراجعة: فريق DLArabic

  • المستودع الرسمي رابط تعلنه الحزمة رسمياً على PyPI

    https://github.com/DLR-RM/stable-baselines3

    تاريخ التحقق: 21 نوفمبر 2026 — المراجعة: فريق DLArabic

سجل الإصدارات المتحقق منها

الإصدارتاريخ الإصدارتاريخ التحقق
2.9.226 أكتوبر 202621 نوفمبر 2026

آخر مراجعة لمعلومات الصفحة: 21 نوفمبر 2026. الوصف العربي مكتوب أصلياً للموسوعة وليس منقولاً من المواقع الرسمية.

أبلغ عن معلومة تحتاج تحديثاً