ฟังก์ชัน Loss ของ DQN แบบพื้นฐาน
เมื่อฟังก์ชัน select_action() พร้อมใช้งานแล้ว ขั้นตอนสุดท้ายก่อนที่จะเทรน agent ได้คือการ implement calculate_loss()
ฟังก์ชัน calculate_loss() คืนค่า loss ของโครงข่ายในแต่ละ step ของ episode
สูตร loss มีดังนี้:
ข้อมูลตัวอย่างต่อไปนี้ถูกโหลดไว้ในแบบฝึกหัดแล้ว:
state = torch.rand(8)
next_state = torch.rand(8)
action = select_action(q_network, state)
reward = 1
gamma = .99
done = False
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
Deep Reinforcement Learning ด้วย Python
คำแนะนำการฝึกหัด
- หา Q-value ของสถานะปัจจุบัน
- หา Q-value ของสถานะถัดไป
- คำนวณ Q-value เป้าหมาย หรือ TD-target
- คำนวณฟังก์ชัน loss นั่นคือ Squared Bellman Error
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
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)