НачатьНачать бесплатно

Функция потерь базового DQN

Функция select_action() готова, и вы совсем близко к тому, чтобы начать обучение агента: осталось реализовать функцию calculate_loss().

Функция calculate_loss() возвращает потери сети на каждом шаге эпизода.

Для справки — формула потерь:

В упражнении загружены следующие примеры данных:

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

Это упражнение является частью курса

Глубокое обучение с подкреплением на Python

Посмотреть курс

Инструкции к упражнению

  • Получите текущее Q-значение состояния.
  • Получите Q-значение следующего состояния.
  • Вычислите целевое Q-значение (TD-цель).
  • Вычислите функцию потерь, то есть квадратичную ошибку Беллмана.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

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)
Редактировать и запускать код