Epsilon-greediness
Pada latihan ini, Anda akan mengimplementasikan fungsi select_action() yang menerapkan epsilon-greediness dengan peluruhan.
Epsilon-greediness akan mendorong agen Anda untuk mengeksplorasi lingkungan, yang seharusnya meningkatkan pembelajaran!
Jadwal epsilon-greediness menentukan ambang \(\varepsilon\) untuk setiap step, diberikan oleh rumus:
$$\varepsilon = end + (start-end) \cdot e^{-\frac{step}{decay}}$$
select_action() harus mengembalikan aksi acak dengan probabilitas \(\varepsilon\), dan aksi dengan nilai Q tertinggi dengan probabilitas \(1-\varepsilon\).
Latihan ini adalah bagian dari kursus
Deep Reinforcement Learning dengan Python
Petunjuk latihan
- Hitung ambang
epsilonuntuk nilaistepyang diberikan. - Ambil angka acak antara 0 dan 1.
- Dengan probabilitas
epsilon, kembalikan aksi acak. - Dengan probabilitas
1-epsilon, kembalikan aksi dengan nilai Q tertinggi.
Latihan interaktif praktis
Cobalah latihan ini dengan menyelesaikan kode contoh berikut.
def select_action(q_values, step, start, end, decay):
# Calculate the threshold value for this step
epsilon = end + (____) * math.exp(____ / ____)
# Draw a random number between 0 and 1
sample = random.____
if sample < epsilon:
# Return a random action index
return random.____
# Return the action index with highest Q-value
return torch.____.item()
for step in [1, 500, 2500]:
actions = [select_action(torch.Tensor([1, 2, 3, 5]), step, .9, .05, 1000) for _ in range(20)]
print(f"Selecting 20 actions at step {step}.\nThe action with highest q-value is action 3.\nSelected actions: {actions}\n\n")