ПочатиПочніть безкоштовно

Базова функція втрат DQN

Із готовою функцією select_action() вам залишився останній крок до тренування агента: тепер ви реалізуєте calculate_loss().

Функція calculate_loss() повертає втрати мережі для будь-якого кроку епізоду.

Для довідки, втрати визначаються так:

У вправі завантажено такі прикладні дані:

state = torch.rand(8)
next_state = torch.rand(8)
action = select_action(q_network, state)
reward = 1
gamma = .99
done = False

Ця вправа є частиною курсу

Глибоке навчання з підкріпленням у Python

Переглянути курс

Інструкції до вправи

  • Отримайте Q-значення для поточного стану.
  • Отримайте Q-значення для наступного стану.
  • Обчисліть цільове Q-значення, або TD-ціль.
  • Обчисліть функцію втрат, тобто квадратичну помилку Беллмана.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

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)
Редагувати та запускати код