始める無料で始める

PPOアルゴリズムの学習

ここでは、これまで親しんできた A2C のトレーニングループを使って、PPO アルゴリズムを学習させます。

このトレーニングループは、クリップ付き代替目的関数の利点を十分には活用していないため、A2C と比べて大きく性能が向上するわけではありません。ここでは、クリップ付き代替目的とエントロピーボーナスに関する概念を示すことを目的としています。

この演習はコースの一部です

Pythonで学ぶDeep Reinforcement Learning

コースを見る

演習の手順

  • アクター損失からエントロピーボーナスを取り除き、\(c_{entropy}\) パラメータには 0.01 を使用します。

実践的なインタラクティブ演習

このサンプルコードを完成させて、この演習に挑戦してみましょう。

for episode in range(10):
    state, info = env.reset()
    done = False
    episode_reward = 0
    step = 0
    while not done:    
        step += 1
        action, action_log_prob, entropy = select_action(actor, state)
        next_state, reward, terminated, truncated, _ = env.step(action)
        episode_reward += reward
        done = terminated or truncated
        actor_loss, critic_loss = calculate_losses(critic, action_log_prob, action_log_prob,
                                                   reward, state, next_state, done)
        # Remove the entropy bonus from the actor loss
        actor_loss -= ____ * ____
        actor_optimizer.zero_grad(); actor_loss.backward(); actor_optimizer.step()
        critic_optimizer.zero_grad(); critic_loss.backward(); critic_optimizer.step()
        state = next_state
    describe_episode(episode, reward, episode_reward, step)
コードを編集して実行