ПочатиПочніть безкоштовно

Реалізація повного алгоритму DQN

Нарешті час настав! Усі підготовчі кроки виконано; тепер ви реалізуєте повний алгоритм DQN і використаєте його для тренування агента Lunar Lander. Це означає, що ваш алгоритм застосовуватиме не лише Experience Replay, а й Decayed Epsilon-Greediness та Fixed Q-Targets.

Функція select_action(), яка реалізує Decayed Epsilon Greediness, доступна для використання, так само як і update_target_network() з попередньої вправи. Залишилося лише вбудувати ці функції в тренувальний цикл DQN і переконатися, що ви правильно використовуєте цільову мережу під час обчислення функції втрат.

Вам потрібно вести новий лічильник кроків total_steps, щоб із часом зменшувати значення \(\varepsilon\). Цю змінну вже ініціалізовано значенням 0.

Ця вправа є частиною курсу

Глибоке навчання з підкріпленням у Python

Переглянути курс

Інструкції до вправи

  • Використайте select_action(), щоб реалізувати Decayed Epsilon Greediness і обрати дію агента; вам знадобиться total_steps — накопичувальна кількість кроків між епізодами.
  • Перш ніж обчислювати TD-ціль, вимкніть відстеження градієнтів.
  • Після отримання наступного стану дістаньте Q-значення для наступного стану.
  • Оновлюйте цільову мережу наприкінці кожного кроку.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

for episode in range(10):
    state, info = env.reset()
    done = False
    step = 0
    episode_reward = 0
    while not done:
        step += 1
        total_steps += 1
        q_values = online_network(state)
        # Select the action with epsilon greediness
        action = ____(____, ____, start=.9, end=.05, decay=1000)
        next_state, reward, terminated, truncated, _ = env.step(action)
        done = terminated or truncated
        replay_buffer.push(state, action, reward, next_state, done)        
        if len(replay_buffer) >= batch_size:
            states, actions, rewards, next_states, dones = replay_buffer.sample(64)
            q_values = online_network(states).gather(1, actions).squeeze(1)
            # Ensure gradients are not tracked
            with ____:
                # Obtain the next state Q-values
                next_q_values = ____(next_states).amax(1)
                target_q_values = rewards + gamma * next_q_values * (1-dones)
            loss = nn.MSELoss()(q_values, target_q_values)
            optimizer.zero_grad()
            loss.backward()
            optimizer.step()   
            # Update the target network weights
            ____(____, ____, tau=.005)
        state = next_state
        episode_reward += reward    
    describe_episode(episode, reward, episode_reward, step)
Редагувати та запускати код