Question

我在github上找到了一个很好的强化学习示例，我想使用它。我的问题是输出是一个正态分布层（下面的代码），因为它用于连续的动作空间，而我想将其用于离散的动作空间，其中模型有4个输出，我选择其中一个输出作为环境行动。

作为一个快速测试，我对正态分布层的输出argmax进行一次测试，然后对选定的动作进行反向传播。

env_action = np.argmax(action)
action = np.zeros(ppo.a_dim)    # turn action into one-hot representation
action[env_action] = 1

它运作良好，但显然argmax会使代理贪婪地表现并且不会探索。

所以（我意识到这很hacky）我可以这样做：

nd_actions =  self.sess.run([self.sample_op], {self.state: state})       
rescale_nd = scale(nd_actions, 0, 1)
probs = tf.nn.softmax(rebase_nd)
action = np.random.choice(4, p=probs.numpy()[0])

这样做有本质上的错误吗？我知道最好将网络的输出层更改为softmax，但不幸的是，这样做需要对代码进行大量重写，因此，作为概念证明，我想测试一下是否可行

l1 = tf.layers.dense(self.state, 400, tf.nn.relu, trainable=trainable,
                     kernel_regularizer=w_reg, name="pi_l1")
l2 = tf.layers.dense(l1, 400, tf.nn.relu, trainable=trainable, kernel_regularizer=w_reg, name="pi_l2")
mu = tf.layers.dense(l2, self.a_dim, tf.nn.tanh, trainable=trainable,
                     kernel_regularizer=w_reg, name="pi_mu_out")
log_sigma = tf.get_variable(name="pi_log_sigma_out", shape=self.a_dim, trainable=trainable,
                            initializer=tf.zeros_initializer(), regularizer=w_reg)
norm_dist = tf.distributions.Normal(loc=mu * self.a_bound, scale=tf.exp(log_sigma))

Answer 1

我找到了一个输出分布层，该层可以提供所需的内容，现在我不需要重新编写大量代码-HURRAY！

a_logits = tf.layers.dense(l2, self.a_dim, kernel_regularizer=w_reg, name="pi_logits") 
dist = tf.distributions.Categorical(logits=a_logits)

将正态分布转换为softmax

1 个答案: