Začněte nyníZačněte zdarma

Buffer pro Prioritized Experience Replay

Zavedeš třídu PrioritizedExperienceReplay – datovou strukturu, kterou později využiješ k implementaci DQN s Prioritized Experience Replay.

PrioritizedExperienceReplay je vylepšená verze třídy ExperienceReplay, kterou jsi dosud používal/a k trénování DQN agentů. Buffer s prioritizovaným přehráváním zkušeností zajišťuje, že vzorkované přechody jsou pro učení agenta cennější než při rovnoměrném vzorkování.

Zatím implementuj metody .__init__(), .push(), .update_priorities(), .increase_beta() a .__len__(). Poslední metodě, .sample(), se budeme věnovat v příštím cvičení.

Toto cvičení je součástí kurzu

Deep Reinforcement Learning v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • V .push() inicializuj prioritu přechodu na maximální prioritu v bufferu (nebo 1, pokud je buffer prázdný).
  • V .update_priorities() nastav prioritu na absolutní hodnotu odpovídající TD chyby a přičti self.epsilon pro ošetření krajních případů.
  • V .increase_beta() zvyš beta o self.beta_increment a zajisti, aby hodnota beta nikdy nepřekročila 1.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

class PrioritizedReplayBuffer:
    def __init__(
        self, capacity, alpha=0.6, beta=0.4, beta_increment=0.001, epsilon=0.01
    ):
        self.memory = deque(maxlen=capacity)
        self.alpha, self.beta, self.beta_increment, self.epsilon = (alpha, beta, beta_increment, epsilon)
        self.priorities = deque(maxlen=capacity)

    def push(self, state, action, reward, next_state, done):
        experience_tuple = (state, action, reward, next_state, done)
        # Initialize the transition's priority
        max_priority = ____
        self.memory.append(experience_tuple)
        self.priorities.append(max_priority)
    
    def update_priorities(self, indices, td_errors):
        for idx, td_error in zip(indices, td_errors.tolist()):
            # Update the transition's priority
            self.priorities[idx] = ____

    def increase_beta(self):
        # Increase beta if less than 1
        self.beta = ____

    def __len__(self):
        return len(self.memory)
      
buffer = PrioritizedReplayBuffer(capacity=3)
buffer.push(state=[1,3], action=2, reward=1, next_state=[2,4], done=False)
print("Transition in memory buffer:", buffer.memory)
print("Priority buffer:", buffer.priorities)
Upravit a spustit kód