ÎncepețiÎncepe gratuit

Funcția de pierdere pentru DQN de bază

Acum că funcția select_action() este gata, mai ai un singur pas până poți antrena agentul: vei implementa calculate_loss().

Funcția calculate_loss() returnează pierderea rețelei pentru orice pas al episodului.

Pentru referință, pierderea este definită astfel:

Următoarele date de exemplu au fost încărcate în exercițiu:

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

Acest exercițiu face parte din cursul

Deep Reinforcement Learning în Python

Vezi cursul

Instrucțiuni pentru exercițiu

  • Obține valoarea Q pentru starea curentă.
  • Obține valoarea Q pentru starea următoare.
  • Calculează valoarea Q țintă, adică ținta TD (TD-target).
  • Calculează funcția de pierdere, adică eroarea Bellman la pătrat.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

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)
Editează și rulează codul