Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
# Inizia a usare AWS DeepRacer
Per iniziare a usare AWS DeepRacer, esaminiamo innanzitutto i passaggi per utilizzare la DeepRacer console AWS per configurare un agente con i sensori appropriati per i requisiti di guida autonoma, per addestrare un modello di reinforcement learning per l'agente con i sensori specificati e per valutare il modello addestrato per determinare la qualità del modello. Dopo aver addestrato il modello, puoi iterarlo e presentarlo a una gara.
**Topics**
+ [
# Addestra il tuo primo DeepRacer modello AWS
](deepracer-get-started-training-model.md)
+ [
# Valuta i tuoi DeepRacer modelli AWS in simulazione
](deepracer-get-started-test-in-simulator.md)
# Addestra il tuo primo DeepRacer modello AWS
Questa procedura dettagliata dimostra come addestrare il tuo primo modello utilizzando la console AWS. DeepRacer
## Addestra un modello di reinforcement learning utilizzando la console AWS DeepRacer
Scopri dove trovare il pulsante **Crea modello** nella DeepRacer console AWS per iniziare il percorso di formazione dei modelli.
**Per addestrare un modello di apprendimento per rinforzo**
1. Se è la prima volta che usi AWS DeepRacer, scegli **Create model** dalla landing page del servizio o seleziona **Get started** sotto l'intestazione **Reinforcement learning** nel pannello di navigazione principale.
1. Nella pagina Guida **introduttiva all'apprendimento per rinforzo**, in **Fase 2: Creazione di un modello**, scegli **Crea** modello.
In alternativa, scegli **I tuoi modelli** sotto l'intestazione **Reinforcement learning** dal pannello di navigazione principale. Nella pagina I **tuoi modelli**, scegli **Crea modello**.
## Specificate il nome e l'ambiente del modello
Assegna un nome al tuo modello e scopri come scegliere la traccia di simulazione più adatta a te.
**Per specificare il nome e l'ambiente del modello**
1. Nella pagina **Crea modello**, in **Dettagli di addestramento**, inserisci un nome per il tuo modello.
1. Facoltativamente, aggiungi una descrizione del lavoro di formazione.
1. Per ulteriori informazioni sull'aggiunta di tag opzionali, consulta[Assegnazione di tag](deepracer-tagging.md).
1. In **Simulazione ambientale**, scegli un percorso da utilizzare come ambiente di formazione per il tuo DeepRacer agente AWS. **In **Direzione della traccia**, scegli in **senso orario o antiorario**.** Quindi, seleziona **Successivo**.
Per la tua prima corsa, scegli una pista con una forma semplice e curve fluide. Nelle successive iterazioni, è possibile scegliere piste più complesse per migliorare progressivamente i modelli. Per addestrare un modello per una determinata corsa, scegliere la pista più simile a quella dell'evento.
1. Scegli **Avanti** nella parte inferiore della pagina.
## Scegli un tipo di gara e un algoritmo di allenamento
La DeepRacer console AWS ha tre tipi di gara e due algoritmi di addestramento tra cui scegliere. Scopri quali sono quelli più adatti al tuo livello di abilità e ai tuoi obiettivi di allenamento.
**Per scegliere il tipo di gara e l'algoritmo di allenamento**
1. Nella pagina **Crea modello**, in **Tipo di gara**, seleziona **Cronometro**, **Evitare oggetti** o **H. ead-to-bot**
Per la tua prima corsa, ti consigliamo di scegliere la **prova a tempo**. Per indicazioni su come ottimizzare la configurazione dei sensori del vostro agente per questo tipo di gara, consultate[Personalizza la DeepRacer formazione AWS per le prove a tempo](deepracer-choose-race-type.md#deepracer-get-started-training-simple-time-trial).
1. Facoltativamente, nelle corse successive, scegli **Evitare oggetti** per aggirare gli ostacoli fissi posizionati in punti fissi o casuali lungo il percorso scelto. Per ulteriori informazioni, consulta [Personalizza la DeepRacer formazione AWS per le gare di evitamento degli oggetti](deepracer-choose-race-type.md#deepracer-get-started-training-object-avoidance).
1. Scegli **Posizione fissa** per generare riquadri in posizioni fisse designate dall'utente sulle due corsie del tracciato o seleziona **Posizione casuale** per generare oggetti distribuiti casualmente sulle due corsie all'inizio di ogni episodio della simulazione di allenamento.
1. Quindi, scegli un valore per il **Numero di** oggetti su una traccia.
1. Se hai scelto **Posizione fissa**, puoi regolare la posizione di ciascun oggetto sulla traccia. Per **Posizionamento della corsia**, scegli tra la corsia interna e la corsia esterna. Per impostazione predefinita, gli oggetti sono distribuiti uniformemente sulla pista. Per modificare la distanza tra la linea di partenza e quella di arrivo di un oggetto, inserite una percentuale di tale distanza compresa tra sette e 90 nel campo **Posizione (%) tra inizio e fine**.
1. Opzionalmente, per gare più ambiziose, scegli di **Head-to-bot gareggiare** contro un massimo di quattro veicoli robot che si muovono a velocità costante. Per ulteriori informazioni, consulta [DeepRacer Addestramento AWS personalizzato per le gare head-to-bot](deepracer-choose-race-type.md#deepracer-get-started-training-h2h-racing).
1. In **Scegli il numero di veicoli bot**, seleziona con quanti robot vuoi che il tuo agente addestra.
1. Quindi, scegli la velocità in millimetri al secondo alla quale desideri che i veicoli bot percorrano la pista.
1. Facoltativamente, seleziona la casella **Abilita il cambio di corsia** per dare ai veicoli bot la possibilità di cambiare corsia in modo casuale ogni 1-5 secondi.
1. **In **Algoritmo di addestramento e iperparametri**, scegli l'algoritmo **Soft Actor Critic (SAC) o Proximal Policy Optimization (PPO)**.** Nella DeepRacer console AWS, i modelli SAC devono essere addestrati in spazi di azione continua. I modelli PPO possono essere addestrati in spazi di azione continui o discreti.
1. In **Algoritmo di addestramento e iperparametri**, utilizza i valori degli iperparametri predefiniti così come sono.
In seguito, per migliorare le prestazioni di addestramento, espandere **Hyperparameters (Iperparametri)** e modificare i valori degli iperparametri predefiniti come segue:
1. Per **Gradient descent batch size (Dimensioni del batch per la discesa del gradiente)**, scegliere le [opzioni disponibili](deepracer-console-train-evaluate-models.md#deepracer-iteratively-adjust-hyperparameters).
1. Per **Number of epochs (Numero di epoch)**, impostare un [valore valido](deepracer-console-train-evaluate-models.md#deepracer-iteratively-adjust-hyperparameters).
1. For **Learning rate (Velocità di apprendimento)**, impostare un [valore valido](deepracer-console-train-evaluate-models.md#deepracer-iteratively-adjust-hyperparameters).
1. [Per il **valore alfa SAC** (solo algoritmo SAC), impostate un valore valido.](deepracer-console-train-evaluate-models.md#deepracer-iteratively-adjust-hyperparameters)
1. Per **Entropy (Entropia)**, impostare un [valore valido](deepracer-console-train-evaluate-models.md#deepracer-iteratively-adjust-hyperparameters).
1. Per **Discount factor (Fattore sconto)**, impostare un [valore valido](deepracer-console-train-evaluate-models.md#deepracer-iteratively-adjust-hyperparameters).
1. Per **Loss type (Tipo di perdita)**, scegliere le [opzioni disponibili](deepracer-console-train-evaluate-models.md#deepracer-iteratively-adjust-hyperparameters).
1. Per **Number of experience episodes between each policy-updating iteration (Numero di episodi di esperienza tra ciascuna iterazione di aggiornamento della policy)**, impostare un [valore valido](deepracer-console-train-evaluate-models.md#deepracer-iteratively-adjust-hyperparameters).
Per ulteriori informazioni sugli iperparametri, consultare [Ottimizza sistematicamente gli iperparametri](deepracer-console-train-evaluate-models.md#deepracer-iteratively-adjust-hyperparameters).
1. Scegli **Next (Successivo)**.
## Definisci lo spazio d'azione
Nella pagina **Definisci lo spazio d'azione**, se hai scelto di allenarti con l'algoritmo Soft Actor Critic (SAC), lo spazio d'azione predefinito è lo spazio di azione continuo. **Se hai scelto di allenarti con l'algoritmo Proximal Policy Optimization (PPO), scegli tra **Spazio d'azione continuo e Spazio d'azione discreto**.** Per saperne di più su come ogni spazio di azione e algoritmo modella l'esperienza di formazione dell'agente, consulta. [Spazio DeepRacer d'azione AWS e funzione di ricompensa](deepracer-how-it-works-action-space.md)
### Per definire uno spazio di azione continuo (algoritmi SAC o PPO)
1. In **Definisci lo spazio di azione continuo**, scegli i gradi dell'intervallo dell'angolo di **sterzata sinistro e dell'intervallo dell'angolo di** **sterzata destro**.
Prova a inserire gradi diversi per ogni intervallo dell'angolo di sterzata e osserva come la visualizzazione dell'intervallo cambia per rappresentare le tue scelte sul **grafico a settore dinamico**.
![\[\]](http://docs.aws.amazon.com/it_it/deepracer/latest/developerguide/images/deepracer-dynamic-sector-graph.png)
1. In **Speed**, inserisci una velocità minima e massima per il tuo agente in millimetri al secondo.
Notate come le vostre modifiche si riflettono nel **grafico a settore dinamico**.
1. Facoltativamente, scegliete **Ripristina valori predefiniti per** cancellare i valori indesiderati. Ti consigliamo di provare diversi valori sul grafico per sperimentare e imparare.
1. Scegli **Next (Successivo)**.
### Per definire uno spazio d'azione discreto (solo algoritmo PPO)
1. Scegliete un valore per la **granularità dell'angolo di sterzo** dall'elenco a discesa.
1. **Scegli un valore in gradi compreso tra 1 e 30 per l'angolo di sterzata massimo del tuo agente.**
1. Scegli un valore per la **granularità della velocità dall'elenco** a discesa.
1. **Scegli un valore in millimetri al secondo compreso tra 0,1-4 per la velocità massima del tuo agente.**
1. Utilizza le impostazioni di azione predefinite **nell'elenco Azioni** o, facoltativamente, attiva la **configurazione avanzata** per ottimizzare le impostazioni. Se scegli **Precedente** o disattivi la **configurazione avanzata** dopo aver regolato i valori, perderai le modifiche.
![\[\]](http://docs.aws.amazon.com/it_it/deepracer/latest/developerguide/images/deepracer-advanced-configuration-toggle.png)
1. Immettete un valore in gradi compreso tra -30 e 30 nella colonna Angolo di **sterzo**.
1. Immettete un valore compreso tra 0,1 e 4 in millimetri al secondo per un massimo di nove azioni nella colonna **Velocità**.
1. Facoltativamente, seleziona **Aggiungi un'azione** per aumentare il numero di righe nell'elenco delle azioni.
![\[\]](http://docs.aws.amazon.com/it_it/deepracer/latest/developerguide/images/deepracer-add-an-action.png)
1. Facoltativamente, seleziona **X** su una riga per rimuoverla.
1. Scegli **Next (Successivo)**.
## Scegli un'auto virtuale
Scopri come iniziare a usare le auto virtuali. Guadagna nuove auto personalizzate, verniciature e modifiche gareggiando ogni mese nella Open Division.
**Per scegliere un'auto virtuale**
1. Nella pagina **Scegli la configurazione della scocca del veicolo e del sensore**, scegli una scocca compatibile con il tuo tipo di gara e lo spazio di azione. Se nel tuo garage non hai un'auto che corrisponda allo stesso modello, vai alla sezione Il mio **garage** nella rubrica **Apprendimento per rinforzo** del pannello di navigazione principale per crearne una.
Per l'allenamento a **cronometro**, ti bastano la configurazione predefinita dei sensori e la fotocamera a obiettivo singolo di **The Original DeepRacer**, ma tutte le altre configurazioni di gusci e sensori funzionano a condizione che lo spazio d'azione corrisponda. Per ulteriori informazioni, consulta [Personalizza la DeepRacer formazione AWS per le prove a tempo](deepracer-choose-race-type.md#deepracer-get-started-training-simple-time-trial).
Per **l'addestramento alla prevenzione degli oggetti**, le telecamere stereo sono utili, ma è possibile utilizzare anche una singola telecamera per evitare ostacoli fissi in posizioni fisse. Un sensore LiDAR è opzionale. Per informazioni, consulta [Spazio DeepRacer d'azione AWS e funzione di ricompensa](deepracer-how-it-works-action-space.md).
Per l'ead-to-botallenamento **H**, oltre a una singola telecamera o a una telecamera stereo, un'unità LiDAR è ottimale per rilevare ed evitare punti ciechi mentre sorpassano altri veicoli in movimento. Per ulteriori informazioni, consulta [DeepRacer Addestramento AWS personalizzato per le gare head-to-bot](deepracer-choose-race-type.md#deepracer-get-started-training-h2h-racing).
1. Scegli **Next (Successivo)**.
## Personalizza la tua funzione di ricompensa
La funzione di ricompensa è alla base dell'apprendimento per rinforzo. Impara a usarla per incentivare la tua auto (agente) a intraprendere azioni specifiche mentre esplora la pista (ambiente). Ad esempio incoraggiando e scoraggiando determinati comportamenti in un animale domestico, puoi usare questo strumento per incoraggiare la tua auto a finire un giro il più velocemente possibile e scoraggiarla dall'uscire di pista o entrare in collisione con oggetti.
**Per personalizzare la funzione di ricompensa**
1. Nella pagina **Create model (Crea modello)** in **Reward function (Funzione ricompensa)**, utilizzare l'esempio di funzione ricompensa predefinita così com'è per il primo modello.
![\[\]](http://docs.aws.amazon.com/it_it/deepracer/latest/developerguide/images/deepracer-reward-function-example-editor.png)
Successivamente, è possibile scegliere **Reward function examples (Esempi di funzioni ricompensa)** per selezionare un'altra funzione di esempio e quindi scegliere **Use code (Usa codice)** per accettare la funzione di ricompensa selezionata.
Esistono quattro funzioni di esempio con cui puoi iniziare. Illustrano come seguire il centro della pista (impostazione predefinita), come mantenere l'agente all'interno dei bordi dei binari, come evitare la guida a zig-zag e come evitare di schiantarsi contro ostacoli fermi o altri veicoli in movimento.
Per ulteriori informazioni sulla funzione di ricompensa, consulta [Riferimento alla funzione di DeepRacer ricompensa AWS](deepracer-reward-function-reference.md).
1. In **condizioni di stop**, lasciate invariato il valore predefinito del **tempo massimo** oppure impostate un nuovo valore per terminare il processo di addestramento, in modo da evitare che i lavori di formazione durino a lungo (e che possano andare via).
Nella fase iniziale dell'addestramento, è consigliabile iniziare impostando un valore di parametro basso, quindi allungare gradualmente il tempo di addestramento.
1. In **Invia automaticamente ad AWS DeepRacer, l'**opzione **Invia DeepRacer automaticamente questo modello all'AWS dopo il completamento della formazione e ottieni la possibilità di vincere premi** è selezionata per impostazione predefinita. Facoltativamente, puoi scegliere di non inserire il tuo modello selezionando il segno di spunta.
1. Nella sezione **Requisiti del campionato**, seleziona il tuo **Paese di residenza** e accetta i termini e le condizioni selezionando la casella.
1. Scegli **Crea modello** per iniziare a creare il modello e a fornire l'istanza del job di formazione.
1. Dopo l'invio, osserva l'inizializzazione del lavoro di addestramento, quindi l'esecuzione.
**Il processo di inizializzazione richiede alcuni minuti per passare da **Inizializzazione** a In corso.**
1. Guarda il **Reward graph (Grafico delle ricompense)** e il **Simulation video stream (Flusso video di simulazione)** per osservare come procede l'addestramento. Periodicamente, è possibile scegliere il pulsante di aggiornamento accanto al **Reward graph (Grafico ricompense)** per aggiornare il **Reward graph (Grafico ricompense)** fino al termine del processo di addestramento.
![\[\]](http://docs.aws.amazon.com/it_it/deepracer/latest/developerguide/images/deepracer-training-in-progress.png)
Il processo di formazione viene eseguito sul AWS cloud, quindi non è necessario tenere aperta la DeepRacer console AWS. Puoi sempre tornare alla console per controllare il tuo modello in qualsiasi momento mentre il lavoro è in corso.
Se la finestra dello **streaming video della simulazione** o il **grafico Reward** non rispondono, aggiorna la pagina del browser per aggiornare i progressi della formazione.
# Valuta i tuoi DeepRacer modelli AWS in simulazione
Al termine del processo di formazione, è necessario valutare il modello addestrato per valutarne il comportamento di convergenza. La valutazione procede completando una serie di prove su una pista scelta e facendo spostare l'agente sulla pista in base alle probabili azioni dedotte dal modello addestrato. Le metriche sulle prestazioni includono una percentuale di completamento della traccia e il tempo di esecuzione su ogni traccia dall'inizio alla fine o dall'uscita fuori pista.
Per valutare il tuo modello addestrato, puoi utilizzare la DeepRacer console AWS. A tale scopo, attenersi alla procedura descritta in questo argomento.
**Per valutare un modello addestrato nella DeepRacer console AWS**
1. Apri la DeepRacer console AWS all'indirizzo https://console.aws.amazon.com /deepracer.
1. Nel riquadro di spostamento principale scegliere **Models (Modelli)**, quindi scegliere il modello appena addestrato dall'elenco **Models (Modelli)** per aprire la pagina dei dettagli del modello.
1. **Seleziona la scheda Valutazione.**
1. Nei **dettagli della valutazione**, scegli **Avvia valutazione**.
![\[Evaluation details section showing training complete message and option to start evaluation.\]](http://docs.aws.amazon.com/it_it/deepracer/latest/developerguide/images/evaluation_details_start.png)
È possibile avviare una valutazione dopo che lo stato del processo di formazione è cambiato in **Completed (Completato)** o dopo che lo stato del modello cambia in **Ready (Pronto)** se il lavoro di addestramento non è stato completato.
Un modello è pronto quando termina il lavoro di addestramento. Se l'addestramento non è stato completato, il modello può anche essere nello stato **Ready (Pronto)** se viene addestrato fino al punto di errore.
1. Nella pagina **Valuta il modello**, in **Tipo di gara**, inserisci un nome per la valutazione, quindi scegli il tipo di gara che hai scelto per addestrare il modello.
Per la valutazione è possibile scegliere un tipo di corsa diverso dal tipo di corsa utilizzato durante l'addestramento. Ad esempio, puoi addestrare un modello per le head-to-bot gare e poi valutarlo per le prove a cronometro. In generale, il modello deve essere ben generalizzato se il tipo di corsa di allenamento differisce dal tipo di corsa di valutazione. Per la prima corsa, è necessario usare lo stesso tipo di corsa sia per la valutazione sia per l'addestramento.
1. Nella pagina **Valuta modello**, in **Valuta criteri**, scegli il numero di prove che desideri eseguire, quindi scegli una pista su cui valutare il modello.
![\[\]](http://docs.aws.amazon.com/it_it/deepracer/latest/developerguide/images/evaluation_select_track.png)
Di solito, è opportuno scegliere un circuito identico o simile a quello utilizzato nell'[addestramento del modello](deepracer-get-started-training-model.md#deepracer-get-started-train-model-proc). È possibile scegliere qualsiasi circuito per valutare il modello, tuttavia è prevedibile che le migliori prestazioni saranno quelle ottenute sul circuito utilizzato per l'addestramento.
Per vedere se il modello può essere generalizzato, scegliere una pista di valutazione diversa da quella utilizzata nell'addestramento.
1. Nella pagina **Evaluate model (Valuta modello)**, in **Virtual Race Submission (Invio corsa virtuale)**, per il primo modello, disattivare l'opzione **Submit model after evaluation (Invia modello dopo la valutazione)**. Successivamente, se desideri partecipare a un evento agonistico, lascia attiva questa opzione.
![\[Virtual race submission section with options for submitting a model for evaluation.\]](http://docs.aws.amazon.com/it_it/deepracer/latest/developerguide/images/deepracer-get-started-evaluate-virtual-race-submit.png)
1. Nella pagina **Evaluate model (Valuta modello)**, scegliere **Start evaluation (Avvia valutazione)** per iniziare a creare e inizializzare il lavoro di valutazione.
Per il completamento del processo di inizializzazione sono necessari circa 3 minuti.
1. Man mano che la valutazione procede, i risultati della valutazione, compresi il tempo di prova e il tasso di completamento del brano, vengono visualizzati nella sezione **Dettagli della valutazione** dopo ogni prova. Nella finestra del **Simulation video stream (Flusso video di simulazione)** è possibile osservare le prestazioni dell'agente sulla pista scelta.
È possibile interrompere un lavoro di valutazione prima che venga completato. Per interrompere un processo di valutazione, scegliere **Stop evaluation (Interrompi valutazione)** nell'angolo in alto a destra della scheda **Evaluation (Valutazione)**, quindi confermare l'interruzione.
1. Al termine del lavoro di valutazione, esaminare i parametri di performance di tutte le prove in **Evaluation results (Risultati di valutazione)**. Il flusso video di simulazione associato non è più disponibile.
Una cronologia delle valutazioni del modello è disponibile nel **selettore di valutazione**. Per visualizzare i dettagli di una valutazione specifica, selezionate la valutazione dall'elenco dei **selettori di valutazione, quindi scegliete **Carica valutazione** dall'angolo in alto a destra della scheda del selettore** di **valutazione**.
![\[\]](http://docs.aws.amazon.com/it_it/deepracer/latest/developerguide/images/evaluation_selector_complete.png)
Per questo particolare lavoro di valutazione, il modello addestrato completa le prove con una significativa penalità di tempo fuori pista. Come prima prova, questo non è insolito. Le possibili ragioni includono il fatto che l'addestramento non è stato convergente ed è necessario più tempo, lo spazio di azione deve essere ampliato per dare all'agente più spazio per reagire oppure la funzione di ricompensa deve essere aggiornata per gestire ambienti diversi.
È possibile continuare a migliorare il modello clonandone uno precedente, modificando la funzione di ricompensa, ottimizzando gli iperparametri e iterando il processo finché il valore non converge e i parametri relativi alle prestazioni non migliorano. Per ulteriori informazioni su come migliorare l'addestramento, consulta [Addestra e valuta i DeepRacer modelli AWS](create-deepracer-project.md).
Per trasferire il tuo modello completamente addestrato sul tuo DeepRacer dispositivo AWS per la guida in un ambiente fisico, devi scaricare gli artefatti del modello. Per farlo, selezionare **Download model (Scarica modello)** nella pagina dei dettagli del modello. Se il tuo dispositivo DeepRacer fisico AWS non supporta nuovi sensori e il tuo modello è stato addestrato con i nuovi tipi di sensori, riceverai un messaggio di errore quando utilizzi il modello sul tuo DeepRacer dispositivo AWS in un ambiente reale. Per ulteriori informazioni sul test di un DeepRacer modello AWS con un dispositivo fisico, consulta[Usa il tuo DeepRacer veicolo AWS](operate-deepracer-vehicle.md).
Dopo aver addestrato il tuo modello su una pista identica o simile a quella specificata in un evento di corse DeepRacer della AWS League o in una gara DeepRacer della community AWS, puoi inviare il modello alle gare virtuali nella DeepRacer console AWS. Per farlo, segui i **circuiti AWS virtuali** o le **gare della community** nel pannello di navigazione principale. Per ulteriori informazioni, consulta [Partecipa a una DeepRacer gara AWS](deepracer-racing-series.md).
Per addestrare un modello a evitare gli ostacoli o a head-to-bot correre, potrebbe essere necessario aggiungere nuovi sensori al modello e al dispositivo fisico. Per ulteriori informazioni, consulta [Comprendere i tipi di gara e abilitare i sensori supportati da AWS DeepRacer](deepracer-choose-race-type.md).