ÎncepețiÎncepe gratuit

Antrenarea Double DQN

Vei modifica acum codul pentru DQN în vederea implementării Double DQN.

Double DQN necesită doar o ajustare minimă față de algoritmul DQN, însă contribuie semnificativ la rezolvarea problemei de supraestimare a valorilor Q și obține adesea rezultate mai bune decât DQN.

Acest exercițiu face parte din cursul

Deep Reinforcement Learning în Python

Vezi cursul

Instrucțiuni pentru exercițiu

  • Calculează acțiunile următoare pentru calculul Q-țintă folosind online_network(), asigurându-te că obții acțiunea corectă și forma potrivită.
  • Estimează valorile Q corespunzătoare acestor acțiuni cu target_network(), asigurându-te din nou că obții valorile și forma corecte.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

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)
Editează și rulează codul