ÎncepețiÎncepe gratuit

Buffer de experience replay prioritizat

Vei introduce clasa PrioritizedExperienceReplay, o structură de date pe care o vei folosi ulterior pentru a implementa DQN cu Experience Replay Prioritizat.

PrioritizedExperienceReplay este o versiune îmbunătățită a clasei ExperienceReplay pe care ai folosit-o până acum pentru a antrena agenții DQN. Un buffer de experience replay prioritizat garantează că tranzițiile eșantionate din acesta sunt mai valoroase pentru învățarea agentului decât cele obținute prin eșantionare uniformă.

Deocamdată, implementează metodele .__init__(), .push(), .update_priorities(), .increase_beta() și .__len__(). Metoda finală, .sample(), va fi subiectul exercițiului următor.

Acest exercițiu face parte din cursul

Deep Reinforcement Learning în Python

Vezi cursul

Instrucțiuni pentru exercițiu

  • În .push(), inițializează prioritatea tranziției cu prioritatea maximă din buffer (sau 1 dacă bufferul este gol).
  • În .update_priorities(), setează prioritatea la valoarea absolută a erorii TD corespunzătoare; adaugă self.epsilon pentru a acoperi cazurile limită.
  • În .increase_beta(), incrementează beta cu self.beta_increment; asigură-te că beta nu depășește niciodată valoarea 1.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

class PrioritizedReplayBuffer:
    def __init__(
        self, capacity, alpha=0.6, beta=0.4, beta_increment=0.001, epsilon=0.01
    ):
        self.memory = deque(maxlen=capacity)
        self.alpha, self.beta, self.beta_increment, self.epsilon = (alpha, beta, beta_increment, epsilon)
        self.priorities = deque(maxlen=capacity)

    def push(self, state, action, reward, next_state, done):
        experience_tuple = (state, action, reward, next_state, done)
        # Initialize the transition's priority
        max_priority = ____
        self.memory.append(experience_tuple)
        self.priorities.append(max_priority)
    
    def update_priorities(self, indices, td_errors):
        for idx, td_error in zip(indices, td_errors.tolist()):
            # Update the transition's priority
            self.priorities[idx] = ____

    def increase_beta(self):
        # Increase beta if less than 1
        self.beta = ____

    def __len__(self):
        return len(self.memory)
      
buffer = PrioritizedReplayBuffer(capacity=3)
buffer.push(state=[1,3], action=2, reward=1, next_state=[2,4], done=False)
print("Transition in memory buffer:", buffer.memory)
print("Priority buffer:", buffer.priorities)
Editează și rulează codul