开始使用免费开始使用

训练 PPO 算法

现在,您将使用熟悉的 A2C 训练循环来训练 PPO 算法。

此训练循环并未充分利用裁剪后的代理目标函数,因此该算法的表现不应明显优于 A2C;它主要用于演示与裁剪代理目标和熵奖励相关的概念。

本练习是课程的一部分

Python 中的深度强化学习

查看课程

练习说明

  • 从 actor 损失中移除熵奖励,c_{entropy} 参数取 0.01。

交互式实操练习

通过完成这段示例代码来试试这个练习。

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, entropy = select_action(actor, state)
        next_state, reward, terminated, truncated, _ = env.step(action)
        episode_reward += reward
        done = terminated or truncated
        actor_loss, critic_loss = calculate_losses(critic, action_log_prob, action_log_prob,
                                                   reward, state, next_state, done)
        # Remove the entropy bonus from the actor loss
        actor_loss -= ____ * ____
        actor_optimizer.zero_grad(); actor_loss.backward(); actor_optimizer.step()
        critic_optimizer.zero_grad(); critic_loss.backward(); critic_optimizer.step()
        state = next_state
    describe_episode(episode, reward, episode_reward, step)
编辑并运行代码