Zacznij terazZacznij za darmo

Trenowanie podwójnego DQN

Teraz zmodyfikujesz swój kod DQN, aby zaimplementować podwójny DQN (Double DQN).

Double DQN wymaga jedynie minimalnej zmiany w algorytmie DQN, a mimo to skutecznie rozwiązuje problem przeszacowania wartości Q i często osiąga lepsze wyniki niż standardowy DQN.

To ćwiczenie jest częścią kursu

Głębokie uczenie ze wzmocnieniem w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

  • Oblicz kolejne akcje potrzebne do wyznaczenia celu Q, używając online_network() – zadbaj o to, żeby uzyskać właściwą akcję i odpowiedni kształt tensora.
  • Oszacuj wartości Q dla tych akcji przy użyciu target_network() – tu również upewnij się, że otrzymujesz poprawne wartości i właściwy kształt tensora.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

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)
Edytuj i uruchom kod