Zacznij terazZacznij za darmo

DQN z priorytetowym powtarzaniem doświadczeń

W tym ćwiczeniu wprowadzisz Priorytetowe Powtarzanie Doświadczeń (PER) w celu ulepszenia algorytmu DQN. PER optymalizuje zestaw przejść wybieranych do aktualizacji sieci na każdym kroku.

Dla przypomnienia, oto nazwy metod zadeklarowanych dla klasy PrioritizedReplayBuffer:

  • push() (dodaje przejścia do bufora)
  • sample() (pobiera próbkę przejść z bufora)
  • increase_beta() (zwiększa wagę próbkowania według ważności)
  • update_priorities() (aktualizuje priorytety pobranych próbek)

Funkcja describe_episode() służy ponownie do opisywania każdego epizodu.

To ćwiczenie jest częścią kursu

Głębokie uczenie ze wzmocnieniem w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

  • Utwórz bufor Priorytetowego Powtarzania Doświadczeń o pojemności 10000 przejść.
  • Stopniowo zwiększaj wpływ próbkowania według ważności, aktualizując parametr beta.
  • Zaktualizuj priorytety pobranych doświadczeń na podstawie ich najnowszego błędu TD.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Instantiate a Prioritized Replay Buffer with capacity 10000
replay_buffer = ____(____)

for episode in range(5):
    state, info = env.reset()
    done = False   
    step = 0
    episode_reward = 0    
    # Increase the replay buffer's beta parameter
    replay_buffer.____
    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, indices, weights = replay_buffer.sample(64)
            q_values = online_network(states).gather(1, actions).squeeze(1)
            with torch.no_grad():
                next_q_values = target_network(next_states).amax(1)
                target_q_values = rewards + gamma * next_q_values * (1-dones)            
            td_errors = target_q_values - q_values
            # Update the replay buffer priorities for that batch
            replay_buffer.____(____, ____)
            loss = torch.sum(weights * (q_values - target_q_values) ** 2)
            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