Zacznij terazZacznij za darmo

Trenowanie algorytmu PPO

Teraz użyjesz dobrze już znanych pętli treningowej A2C do trenowania algorytmu PPO.

Ta pętla treningowa nie wykorzystuje w pełni obciętej zastępczej funkcji celu, więc algorytm nie powinien działać znacznie lepiej niż A2C. Służy ona jako ilustracja pojęć związanych z obciętą zastępczą funkcją celu oraz bonusem entropii.

To ćwiczenie jest częścią kursu

Głębokie uczenie ze wzmocnieniem w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

  • Usuń bonus entropii ze straty aktora, używając wartości 0,01 dla parametru \(c_{entropy}\).

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

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)
Edytuj i uruchom kod