Začněte nyníZačněte zdarma

Oříznutá náhradní objektivní funkce

Implementuj funkci calculate_loss() pro PPO. Budeš potřebovat zakódovat klíčovou inovaci PPO – oříznutou náhradní ztrátovou funkci (clipped surrogate loss). Ta pomáhá omezit aktualizaci politiky tak, aby se v každém kroku příliš nevzdálila od předchozí politiky.

Vzorec pro oříznutý náhradní cíl je:

Hyperparametr ořezávání epsilon je v tvém prostředí nastaven na hodnotu 0,2.

Toto cvičení je součástí kurzu

Deep Reinforcement Learning v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Získej poměry pravděpodobností mezi \pi_\theta a \pi_{\theta_{old}} (neoříznutou i oříznutou verzi).
  • Vypočítej náhradní cíle (neoříznutou i oříznutou verzi).
  • Vypočítej oříznutý náhradní cíl PPO.
  • Vypočítej ztrátovou funkci aktora.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

def calculate_losses(critic_network, action_log_prob, action_log_prob_old,
                     reward, state, next_state, done):
    value = critic_network(state)
    next_value = critic_network(next_state)
    td_target = (reward + gamma * next_value * (1-done))
    td_error = td_target - value
    # Obtain the probability ratios
    ____, ____ = calculate_ratios(action_log_prob, action_log_prob_old, epsilon=.2)
    # Calculate the surrogate objectives
    surr1 = ratio * ____.____()
    surr2 = clipped_ratio * ____.____()    
    # Calculate the clipped surrogate objective
    objective = torch.min(____, ____)
    # Calculate the actor loss
    actor_loss = ____
    critic_loss = td_error ** 2
    return actor_loss, critic_loss
  
actor_loss, critic_loss = calculate_losses(critic_network, action_log_prob, action_log_prob_old,
                                           reward, state, next_state, done)
print(actor_loss, critic_loss)
Upravit a spustit kód