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
Petunjuk latihan
- Peroleh probabilitas aksi
probdariaction_log_prob, danprob_olddariaction_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)