НачатьНачать бесплатно

Выборка из буфера PER

Прежде чем использовать класс буфера приоритизированного воспроизведения опыта для обучения агента, необходимо реализовать метод .sample(). Этот метод принимает в качестве аргумента размер выборки и возвращает выбранные переходы в виде тензоров (tensors), а также их индексы в буфере памяти и соответствующие веса важности.

В вашей среде предварительно загружен буфер ёмкостью 10 элементов, из которого вы будете делать выборку.

Это упражнение является частью курса

Глубокое обучение с подкреплением на Python

Посмотреть курс

Инструкции к упражнению

  • Вычислите вероятность выборки для каждого перехода.
  • Извлеките индексы переходов, входящих в выборку; функция np.random.choice(a, s, p=p) формирует выборку размером s с возвращением из массива a на основе массива вероятностей p.
  • Вычислите вес важности для каждого перехода.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

def sample(self, batch_size):
    priorities = np.array(self.priorities)
    # Calculate the sampling probabilities
    probabilities = ____ / np.sum(____)
    # Draw the indices for the sample
    indices = np.random.choice(____)
    # Calculate the importance weights
    weights = (1 / (len(self.memory) * ____)) ** ____
    weights /= np.max(weights)
    states, actions, rewards, next_states, dones = zip(*[self.memory[idx] for idx in indices])
    weights = [weights[idx] for idx in indices]
    states_tensor = torch.tensor(states, dtype=torch.float32)
    rewards_tensor = torch.tensor(rewards, dtype=torch.float32)
    next_states_tensor = torch.tensor(next_states, dtype=torch.float32)
    dones_tensor = torch.tensor(dones, dtype=torch.float32)
    weights_tensor = torch.tensor(weights, dtype=torch.float32)
    actions_tensor = torch.tensor(actions, dtype=torch.long).unsqueeze(1)
    return (states_tensor, actions_tensor, rewards_tensor, next_states_tensor,
            dones_tensor, indices, weights_tensor)

PrioritizedReplayBuffer.sample = sample
print("Sampled transitions:\n", buffer.sample(3))
Редактировать и запускать код