Zacznij terazZacznij za darmo

Implementacja pełnego algorytmu DQN

Nareszcie nadszedł ten moment! Wszystkie elementy składowe są gotowe – czas zaimplementować pełny algorytm DQN i użyć go do trenowania agenta Lunar Lander. Twój algorytm będzie korzystał nie tylko z Experience Replay, ale także z zanikającej strategii epsilon-zachłannej (Decayed Epsilon-Greediness) oraz stałych Q-targetów (Fixed Q-Targets).

Funkcja select_action() implementująca zanikającą strategię epsilon-zachłanną jest już dostępna do użycia, podobnie jak funkcja update_target_network() z poprzedniego ćwiczenia. Pozostaje tylko wpiąć obie funkcje w pętlę treningową DQN i zadbać o poprawne wykorzystanie sieci docelowej przy obliczaniu straty.

Musisz prowadzić nowy licznik kroków – total_steps – aby stopniowo zmniejszać wartość \(\varepsilon\) w czasie. Zmienna ta jest już zainicjalizowana wartością 0.

To ćwiczenie jest częścią kursu

Głębokie uczenie ze wzmocnieniem w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

  • Użyj funkcji select_action(), aby zaimplementować zanikającą strategię epsilon-zachłanną i wybrać akcję agenta; skorzystaj z total_steps – łącznej liczby kroków we wszystkich epizodach.
  • Przed obliczeniem celu TD wyłącz śledzenie gradientów.
  • Po uzyskaniu następnego stanu pobierz wartości Q dla tego stanu.
  • Na końcu każdego kroku zaktualizuj sieć docelową.

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)
        # Select the action with epsilon greediness
        action = ____(____, ____, 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)
            # Ensure gradients are not tracked
            with ____:
                # Obtain the next state Q-values
                next_q_values = ____(next_states).amax(1)
                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 the target network weights
            ____(____, ____, tau=.005)
        state = next_state
        episode_reward += reward    
    describe_episode(episode, reward, episode_reward, step)
Edytuj i uruchom kod