Zacznij terazZacznij za darmo

Funkcja straty w uproszczonym DQN

Funkcja select_action() jest już gotowa – pozostał jeszcze jeden krok, zanim będzie można trenować agenta: teraz zaimplementujesz calculate_loss().

Funkcja calculate_loss() zwraca stratę sieci dla dowolnego kroku epizodu.

Dla przypomnienia, strata jest określona wzorem:

W ćwiczeniu wczytano następujące przykładowe dane:

state = torch.rand(8)
next_state = torch.rand(8)
action = select_action(q_network, state)
reward = 1
gamma = .99
done = False

To ćwiczenie jest częścią kursu

Głębokie uczenie ze wzmocnieniem w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

  • Wyznacz wartość Q dla bieżącego stanu.
  • Wyznacz wartość Q dla następnego stanu.
  • Oblicz docelową wartość Q, czyli cel TD (TD-target).
  • Oblicz funkcję straty, tzn. kwadratowy błąd Bellmana.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

def calculate_loss(q_network, state, action, next_state, reward, done):
    q_values = q_network(state)
    print(f'Q-values: {q_values}')
    # Obtain the current state Q-value
    current_state_q_value = q_values[____]
    print(f'Current state Q-value: {current_state_q_value:.2f}')
    # Obtain the next state Q-value
    next_state_q_value = q_network(next_state).____    
    print(f'Next state Q-value: {next_state_q_value:.2f}')
    # Calculate the target Q-value
    target_q_value = ____ + gamma * ____ * (1-done)
    print(f'Target Q-value: {target_q_value:.2f}')
    # Obtain the loss
    loss = nn.MSELoss()(____, ____)
    print(f'Loss: {loss:.2f}')
    return loss

calculate_loss(q_network, state, action, next_state, reward, done)
Edytuj i uruchom kod