Melatih double DQN
Sekarang Anda akan memodifikasi kode DQN Anda untuk mengimplementasikan double DQN.
Double DQN hanya memerlukan penyesuaian kecil pada algoritme DQN, tetapi sangat membantu mengatasi masalah estimasi berlebih Q-value dan sering berkinerja lebih baik daripada DQN.
Latihan ini adalah bagian dari kursus
Deep Reinforcement Learning dengan Python
Petunjuk latihan
- Hitung aksi berikutnya untuk perhitungan Q-target menggunakan
online_network(), pastikan Anda memperoleh aksi dan bentuk yang benar. - Estimasikan Q-value untuk aksi tersebut dengan
target_network(), kembali pastikan Anda memperoleh nilai dan bentuk yang benar.
Latihan interaktif praktis
Cobalah latihan ini dengan menyelesaikan kode contoh berikut.
for episode in range(10):
state, info = env.reset()
done = False
step = 0
episode_reward = 0
while not done:
step += 1
total_steps += 1
q_values = online_network(state)
action = select_action(q_values, total_steps, start=.9, end=.05, decay=1000)
next_state, reward, terminated, truncated, _ = env.step(action)
done = terminated or truncated
replay_buffer.push(state, action, reward, next_state, done)
if len(replay_buffer) >= batch_size:
states, actions, rewards, next_states, dones = replay_buffer.sample(64)
q_values = online_network(states).gather(1, actions).squeeze(1)
with torch.no_grad():
# Obtain next actions for Q-target calculation
next_actions = ____.____.____
# Estimate next Q-values from these actions
next_q_values = ____.____.____
target_q_values = rewards + gamma * next_q_values * (1-dones)
loss = nn.MSELoss()(q_values, target_q_values)
optimizer.zero_grad()
loss.backward()
optimizer.step()
update_target_network(target_network, online_network, tau=.005)
state = next_state
episode_reward += reward
describe_episode(episode, reward, episode_reward, step)