Začněte nyníZačněte zdarma

Výpočet ztrát Actor-Critic

Jako poslední krok před trénováním agenta pomocí A2C napiš funkci calculate_losses(), která vrátí ztráty obou sítí.

Pro přehled — tady jsou vzorce pro ztrátové funkce aktéra a kritika:

Toto cvičení je součástí kurzu

Deep Reinforcement Learning v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Vypočítej TD target.
  • Vypočítej ztrátu sítě aktéra (Actor network).
  • Vypočítej ztrátu sítě kritika (Critic network).

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

def calculate_losses(critic_network, action_log_prob, 
                     reward, state, next_state, done):
    value = critic_network(state)
    next_value = critic_network(next_state)
    # Calculate the TD target
    td_target = (____ + gamma * ____ * (1-done))
    td_error = td_target - value
    # Calculate the actor loss
    actor_loss = -____ * ____.detach()
    # Calculate the critic loss
    critic_loss = ____
    return actor_loss, critic_loss
  
actor_loss, critic_loss = calculate_losses(
        critic_network, action_log_prob, 
        reward, state, next_state, done
)
print(round(actor_loss.item(), 2), round(critic_loss.item(), 2))
Upravit a spustit kód