Začněte nyníZačněte zdarma

Trénování algoritmu PPO

Teď použiješ známý trénovací cyklus A2C k trénování algoritmu PPO.

Tento cyklus nevyužívá naplno oříznutou náhradní účelovou funkci, takže by algoritmus neměl výrazně překonat A2C. Slouží jako ilustrace konceptů, které ses naučil/a kolem oříznuté náhradní funkce a entropického bonusu.

Toto cvičení je součástí kurzu

Deep Reinforcement Learning v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Odeber entropický bonus ze ztráty aktéra a použij hodnotu 0,01 pro parametr \(c_{entropy}\).

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

for episode in range(10):
    state, info = env.reset()
    done = False
    episode_reward = 0
    step = 0
    while not done:    
        step += 1
        action, action_log_prob, entropy = select_action(actor, state)
        next_state, reward, terminated, truncated, _ = env.step(action)
        episode_reward += reward
        done = terminated or truncated
        actor_loss, critic_loss = calculate_losses(critic, action_log_prob, action_log_prob,
                                                   reward, state, next_state, done)
        # Remove the entropy bonus from the actor loss
        actor_loss -= ____ * ____
        actor_optimizer.zero_grad(); actor_loss.backward(); actor_optimizer.step()
        critic_optimizer.zero_grad(); critic_loss.backward(); critic_optimizer.step()
        state = next_state
    describe_episode(episode, reward, episode_reward, step)
Upravit a spustit kód