Začněte nyníZačněte zdarma

Trénování double DQN

Nyní upravíš svůj kód pro DQN tak, aby implementoval double DQN.

Double DQN vyžaduje jen minimální úpravu algoritmu DQN, ale výrazně přispívá k řešení problému nadhodnocování Q-hodnot a often překonává výkonnost klasického DQN.

Toto cvičení je součástí kurzu

Deep Reinforcement Learning v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Vypočítej příští akce pro výpočet Q-targetu pomocí online_network() – dbej na to, aby výsledná akce i její tvar byly správné.
  • Odhadni Q-hodnoty pro tyto akce pomocí target_network() – opět se ujisti, že získáváš správné hodnoty ve správném tvaru.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

for episode in range(10):
    state, info = env.reset()
    done = False
    step = 0
    episode_reward = 0
    while not done:
        step += 1
        total_steps += 1
        q_values = online_network(state)
        action = select_action(q_values, total_steps, start=.9, end=.05, decay=1000)
        next_state, reward, terminated, truncated, _ = env.step(action)
        done = terminated or truncated
        replay_buffer.push(state, action, reward, next_state, done)        
        if len(replay_buffer) >= batch_size:
            states, actions, rewards, next_states, dones = replay_buffer.sample(64)
            q_values = online_network(states).gather(1, actions).squeeze(1)
            with torch.no_grad():
                # Obtain next actions for Q-target calculation
                next_actions = ____.____.____
                # Estimate next Q-values from these actions
                next_q_values = ____.____.____
                target_q_values = rewards + gamma * next_q_values * (1-dones)
            loss = nn.MSELoss()(q_values, target_q_values)
            optimizer.zero_grad()
            loss.backward()
            optimizer.step()
            update_target_network(target_network, online_network, tau=.005)
        state = next_state
        episode_reward += reward    
    describe_episode(episode, reward, episode_reward, step)
Upravit a spustit kód