MulaiMulai sekarang secara gratis

Rasio probabilitas yang di-klip

Sekarang Anda akan mengimplementasikan rasio probabilitas yang di-klip, sebuah komponen penting dari fungsi objektif PPO.

Sebagai referensi, rasio probabilitas didefinisikan sebagai: $$\frac{\pi_\theta(a_t|s_t)}{\pi_{\theta_{old}}(a_t|s_t)}$$

Dan rasio probabilitas yang di-klip adalah: \(\mathrm{clip}(r_t(\theta), 1-\varepsilon, 1+\varepsilon)\).

Latihan ini adalah bagian dari kursus

Deep Reinforcement Learning dengan Python

Lihat Kursus

Petunjuk latihan

  • Peroleh probabilitas aksi prob dari action_log_prob, dan prob_old dari action_log_prob_old.
  • Lepaskan log probabilitas aksi lama dari grafik komputasi gradien torch.
  • Hitung rasio probabilitas.
  • Lakukan clipping pada surrogate objective.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

log_prob = torch.tensor(.5).log()
log_prob_old = torch.tensor(.4).log()

def calculate_ratios(action_log_prob, action_log_prob_old, epsilon):
    # Obtain prob and prob_old
    prob = ____
    prob_old = ____
    # Detach the old action log prob
    prob_old_detached = ____.____()
    # Calculate the probability ratio
    ratio = ____ / ____
    # Apply clipping
    clipped_ratio = torch.____(ratio, ____, ____)
    print(f"+{'-'*29}+\n|         Ratio: {str(ratio)} |\n| Clipped ratio: {str(clipped_ratio)} |\n+{'-'*29}+\n")
    return (ratio, clipped_ratio)

_ = calculate_ratios(log_prob, log_prob_old, epsilon=.2)
Edit dan Jalankan Kode