Actor-Critic loss गणनाएँ
A2C से अपने एजेंट को ट्रेन करने से पहले अंतिम कदम के रूप में, एक calculate_losses() फंक्शन लिखिए जो दोनों नेटवर्क्स के लिए loss वापस करे.
संदर्भ के लिए, क्रमशः actor और critic के loss फंक्शनों के फार्मूले ये हैं:
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में Deep Reinforcement Learning
अभ्यास निर्देश
- TD टारगेट निकालें.
- Actor नेटवर्क के लिए loss निकालें.
- Critic नेटवर्क के लिए loss निकालें.
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
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))