A2C กับการอัปเดตแบบ batch
ตลอดคอร์สนี้ เราได้ใช้รูปแบบการเทรน DRL หลักที่คล้ายกันในหลายรูปแบบ ในทางปฏิบัติ โครงสร้างนี้สามารถขยายได้หลายวิธี เช่น การรองรับการอัปเดตแบบ batch
คราวนี้จะกลับมาดู training loop ของ A2C บนสภาพแวดล้อม Lunar Lander อีกครั้ง แต่แทนที่จะอัปเดตโครงข่ายประสาทเทียมทุก step จะรอให้ครบ 10 step ก่อนจึงค่อยรัน gradient descent การเฉลี่ย loss ข้าม 10 step จะช่วยให้การอัปเดตมีความเสถียรมากขึ้น
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
Deep Reinforcement Learning ด้วย Python
คำแนะนำการฝึกหัด
- Append ค่า loss จากแต่ละ step ลงใน tensor ที่เก็บ loss ของ batch ปัจจุบัน
- คำนวณ batch loss
- กำหนดค่าเริ่มต้นใหม่ให้กับ tensor ที่เก็บ loss
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
actor_losses = torch.tensor([])
critic_losses = torch.tensor([])
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 = select_action(actor, state)
next_state, reward, terminated, truncated, _ = env.step(action)
done = terminated or truncated
episode_reward += reward
actor_loss, critic_loss = calculate_losses(
critic, action_log_prob,
reward, state, next_state, done)
# Append to the loss tensors
actor_losses = torch.cat((____, ____))
critic_losses = torch.cat((____, ____))
if len(actor_losses) >= 10:
# Calculate the batch losses
actor_loss_batch = actor_losses.____
critic_loss_batch = critic_losses.____
actor_optimizer.zero_grad(); actor_loss_batch.backward(); actor_optimizer.step()
critic_optimizer.zero_grad(); critic_loss_batch.backward(); critic_optimizer.step()
# Reinitialize the loss tensors
actor_losses = ____
critic_losses = ____
state = next_state
describe_episode(episode, reward, episode_reward, step)