Začněte nyníZačněte zdarma

Ztrátová funkce základního DQN

Funkce select_action() je hotová a ke spuštění trénování agenta ti chybí už jen jeden krok: teď implementuješ funkci calculate_loss().

Funkce calculate_loss() vrací ztrátu sítě pro každý krok epizody.

Pro referenci je ztráta definována takto:

Následující ukázková data jsou v cvičení již načtena:

state = torch.rand(8)
next_state = torch.rand(8)
action = select_action(q_network, state)
reward = 1
gamma = .99
done = False

Toto cvičení je součástí kurzu

Deep Reinforcement Learning v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Získej Q-hodnotu aktuálního stavu.
  • Získej Q-hodnotu následujícího stavu.
  • Vypočítej cílovou Q-hodnotu neboli TD-target.
  • Vypočítej ztrátovou funkci, tedy kvadratickou Bellmanovu chybu.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

def calculate_loss(q_network, state, action, next_state, reward, done):
    q_values = q_network(state)
    print(f'Q-values: {q_values}')
    # Obtain the current state Q-value
    current_state_q_value = q_values[____]
    print(f'Current state Q-value: {current_state_q_value:.2f}')
    # Obtain the next state Q-value
    next_state_q_value = q_network(next_state).____    
    print(f'Next state Q-value: {next_state_q_value:.2f}')
    # Calculate the target Q-value
    target_q_value = ____ + gamma * ____ * (1-done)
    print(f'Target Q-value: {target_q_value:.2f}')
    # Obtain the loss
    loss = nn.MSELoss()(____, ____)
    print(f'Loss: {loss:.2f}')
    return loss

calculate_loss(q_network, state, action, next_state, reward, done)
Upravit a spustit kód