НачатьНачать бесплатно

Обучение алгоритма PPO

Теперь вы воспользуетесь знакомым циклом обучения A2C для обучения алгоритма PPO.

Этот цикл обучения не использует в полной мере усечённую суррогатную целевую функцию, поэтому данный алгоритм не должен значительно превзойти A2C по производительности. Он служит иллюстрацией концепций, связанных с усечённой суррогатной целевой функцией и бонусом за энтропию.

Это упражнение является частью курса

Глубокое обучение с подкреплением на Python

Посмотреть курс

Инструкции к упражнению

  • Уберите бонус за энтропию из функции потерь актора, используя значение 0,01 для параметра \(c_{entropy}\).

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
        action, action_log_prob, entropy = select_action(actor, state)
        next_state, reward, terminated, truncated, _ = env.step(action)
        episode_reward += reward
        done = terminated or truncated
        actor_loss, critic_loss = calculate_losses(critic, action_log_prob, action_log_prob,
                                                   reward, state, next_state, done)
        # Remove the entropy bonus from the actor loss
        actor_loss -= ____ * ____
        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