Question

我正在训练代理在离散环境中行动，我正在使用tf.distributions.Categorical输出层，然后对它进行采样以创建softmax输出以确定要采取的措施。我这样创建我的政策网络：

pi_eval, _ = self._build_anet(self.state, 'pi', reuse=True)

def _build_anet(self, state_in, name, reuse=False):
    w_reg = tf.contrib.layers.l2_regularizer(L2_REG)
    with tf.variable_scope(name, reuse=reuse):
        layer_1 = tf.layers.dense(state_in, HIDDEN_LAYER_NEURONS, tf.nn.relu, kernel_regularizer=w_reg, name="pi_l1")
        layer_2 = tf.layers.dense(layer_1, HIDDEN_LAYER_NEURONS, tf.nn.relu, kernel_regularizer=w_reg, name="pi_l2")
        a_logits = tf.layers.dense(layer_2, self.a_dim, kernel_regularizer=w_reg, name="pi_logits")
        dist = tf.distributions.Categorical(logits=a_logits)
    params = tf.get_collection(tf.GraphKeys.GLOBAL_VARIABLES, scope=name)
    return dist, params

然后使用tf.distributions.Categorical webpage中的示例，对网络进行采样并构建一个类分发输出以用作softmax输出：

n = 1e4
self.logits_action = tf.cast(tf.histogram_fixed_width(values=pi_eval.sample(int(n)), value_range=[0, 1], nbins=self.a_dim), dtype=tf.float32) / n

像这样运行：

softmax = self.sess.run([self.logits_action], {self.state: state[np.newaxis, :]})

但是输出仅具有两个非零条目：

[0.44329998 0.         0.         0.5567    ]
[0.92139995 0.         0.         0.0786    ]
[0.95699996 0.         0.         0.043     ]
[0.7051 0.     0.     0.2949]

我的直觉与documentation说的value_range有关：

value_range：形状2的张量与值具有相同的dtype。值<= value_range [0]将映射到hist [0]，值> = value_range 1 将被映射到hist [-1]。

但是我不确定应该使用哪个值范围？我想知道是否有人有想法吗？

Answer 1

确实，我怀疑这与value_range有关，我应该将操作尺寸的上限设置为

value_range=[0, self.a_dim]

从tf.distributions.category输出层创建softmax

1 个答案: