НачатьНачать бесплатно

Обучение алгоритма A2C

Пора обучить лунный посадочный модуль с помощью алгоритма A2C! Все необходимые компоненты уже готовы — осталось собрать их воедино.

Сети актора и критика созданы как actor и critic, а также их оптимизаторы actor_optimizer и critic_optimizer.

Функция select_action() из алгоритма REINFORCE и функция calculate_losses() из предыдущего упражнения также доступны для использования.

Это упражнение является частью курса

Глубокое обучение с подкреплением на Python

Посмотреть курс

Инструкции к упражнению

  • Позвольте актору выбрать действие на основе текущего состояния.
  • Вычислите потери для актора и критика.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

for episode in range(10):
    state, info = env.reset()
    done = False
    episode_reward = 0
    step = 0
    while not done:
        step += 1
        if done:
            break
        # Select the action
        ____
        next_state, reward, terminated, truncated, _ = env.step(action)
        done = terminated or truncated
        episode_reward += reward
        # Calculate the losses
        ____, ____ = ____(
            critic, action_log_prob, 
            reward, state, next_state, done)        
        actor_optimizer.zero_grad()
        actor_loss.backward()
        actor_optimizer.step()
        critic_optimizer.zero_grad()
        critic_loss.backward()
        critic_optimizer.step()
        state = next_state
    describe_episode(episode, reward, episode_reward, step)
Редактировать и запускать код