ПочатиПочніть безкоштовно

Обчислення втрат у Actor–Critic

Як фінальний крок перед тренуванням агента за A2C, напишіть функцію calculate_losses(), яка повертає втрати для обох мереж.

Для довідки нижче наведено вирази для функцій втрат актора та критика відповідно:

Ця вправа є частиною курсу

Глибоке навчання з підкріпленням у Python

Переглянути курс

Інструкції до вправи

  • Обчисліть TD-ціль.
  • Обчисліть втрату для мережі Актор.
  • Обчисліть втрату для мережі Критик.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

def calculate_losses(critic_network, action_log_prob, 
                     reward, state, next_state, done):
    value = critic_network(state)
    next_value = critic_network(next_state)
    # Calculate the TD target
    td_target = (____ + gamma * ____ * (1-done))
    td_error = td_target - value
    # Calculate the actor loss
    actor_loss = -____ * ____.detach()
    # Calculate the critic loss
    critic_loss = ____
    return actor_loss, critic_loss
  
actor_loss, critic_loss = calculate_losses(
        critic_network, action_log_prob, 
        reward, state, next_state, done
)
print(round(actor_loss.item(), 2), round(critic_loss.item(), 2))
Редагувати та запускати код