Začněte nyníZačněte zdarma

Vzorkování z PER bufferu

Než budeš moct použít třídu Prioritized Experience Buffer k trénování agenta, je potřeba ještě implementovat metodu .sample(). Tato metoda přijímá jako argument velikost vzorku, který chceš získat, a vrací vzorkované přechody jako tensors spolu s jejich indexy v paměťovém bufferu a jejich váhami důležitosti.

V prostředí máš předem připravený buffer s kapacitou 10, ze kterého budeš vzorkovat.

Toto cvičení je součástí kurzu

Deep Reinforcement Learning v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Vypočítej pravděpodobnost vzorkování přiřazenou každému přechodu.
  • Vyber indexy odpovídající přechodům ve vzorku; np.random.choice(a, s, p=p) vybere vzorek velikosti s s opakováním z pole a na základě pole pravděpodobností p.
  • Vypočítej váhu důležitosti přiřazenou každému přechodu.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

def sample(self, batch_size):
    priorities = np.array(self.priorities)
    # Calculate the sampling probabilities
    probabilities = ____ / np.sum(____)
    # Draw the indices for the sample
    indices = np.random.choice(____)
    # Calculate the importance weights
    weights = (1 / (len(self.memory) * ____)) ** ____
    weights /= np.max(weights)
    states, actions, rewards, next_states, dones = zip(*[self.memory[idx] for idx in indices])
    weights = [weights[idx] for idx in indices]
    states_tensor = torch.tensor(states, dtype=torch.float32)
    rewards_tensor = torch.tensor(rewards, dtype=torch.float32)
    next_states_tensor = torch.tensor(next_states, dtype=torch.float32)
    dones_tensor = torch.tensor(dones, dtype=torch.float32)
    weights_tensor = torch.tensor(weights, dtype=torch.float32)
    actions_tensor = torch.tensor(actions, dtype=torch.long).unsqueeze(1)
    return (states_tensor, actions_tensor, rewards_tensor, next_states_tensor,
            dones_tensor, indices, weights_tensor)

PrioritizedReplayBuffer.sample = sample
print("Sampled transitions:\n", buffer.sample(3))
Upravit a spustit kód