Question

我已经通过tf代理创建了一个自定义的pyenvironment。但是我无法使用py_policy.action验证环境或在其中采取措施我对time_step_specs之外的内容感到困惑

我曾尝试通过tf_py_environment.TFPyEnvironment转换为tf_py_environment，并成功地通过tf_policy采取了措施，但是我仍然对区别感到困惑。

import abc
import numpy as np
from tf_agents.environments import py_environment
from tf_agents.environments import tf_environment
from tf_agents.environments import tf_py_environment
from tf_agents.environments import utils
from tf_agents.specs import array_spec
from tf_agents.environments import wrappers
from tf_agents.trajectories import time_step as ts
from tf_agents.policies import random_tf_policy
import tensorflow as tf
import tf_agents

class TicTacToe(py_environment.PyEnvironment):
   def __init__(self,n):
    super(TicTacToe,self).__init__()
    self.n = n
    self.winner = None
    self._episode_ended = False
    self.inital_state = np.zeros((n,n))
    self._state = self.inital_state
    self._observation_spec = array_spec.BoundedArraySpec(
        shape = (n,n),dtype='int32',minimum = -1,maximum = 1,name = 
'TicTacToe board state spec')
    self._action_spec = array_spec.BoundedArraySpec(
        shape = (),dtype = 'int32', minimum = 0,maximum = 8, name = 
'TicTacToe action spec')

def observation_spec(self):
    return self._observation_spec

def action_spec(self):
    return self._action_spec

def _reset(self):
    return ts.restart(self.inital_state)

def check_game_over(self):
    for i in range(self.n):
        if (sum(self._state[i,:])==self.n) or 
(sum(self._state[:,i])==self.n):
            self.winner = 1
            return True

        elif (sum(self._state[i,:])==-self.n) or 
    (sum(self._state[:,i])==-self.n):
            self.winner = -1
            return True

    if (self._state.trace()==self.n) or 
(self._state[::-1].trace()==self.n):
        self.winner = 1
        return True
    elif (self._state.trace()==-self.n) or (self._state[::-1].trace()==- 
   self.n):
        self.winner = -1
        return True

    if not (0 in self._state):
        return True

def _step(self,action):
    self._state[action//3,action%3]=1
    self._episode_ended = self.check_game_over

    if self._episode_ended==True:
        if self.winner == 1:
            reward = 1
        elif self.winner == None:
            reward = 0
        else:
            reward = -1
        return ts.termination(self._state,dtype = 'int32',reward=reward)
    else:
        return ts.transition(self._state,dtype = 'int32',reward = 
0.0,discount = 0.9)

env = TicTacToe(3)
utils.validate_py_environment(env, episodes=5)

这是我得到的错误：

ValueError跟踪（最近一次通话最近）在 ----> 1 utils.validate_py_environment（env，episodes = 5）

validate_py_environment中的C：\ Users \ bzhang \ AppData \ Local \ Continuum \ anaconda3 \ lib \ site-packages \ tf_agents \ environments \ utils.py（环境，情节） 58提高ValueError（ 59'给出time_step：％r与预期的time_step_spec不匹配：％r'％ ---> 60（time_step，time_step_spec）） 61 62行动= random_policy.action（time_step）.action

ValueError：给定time_step：TimeStep（step_type = array（0），reward = array（0。，dtype = float32），Discount = array（1。，dtype = float32），observation = array（[ [0.，0.，0.]， [0.，0.，0.]， [0.，0.，0.]]））与预期的time_step_spec不符：TimeStep（step_type = ArraySpec（shape =（），dtype = dtype（'int32'），name ='step_type'）， reward = ArraySpec（shape =（），dtype = dtype（'float32'），name ='reward'），discount = BoundedArraySpec（shape =（），dtype = dtype（'float32'），name ='discount'，最小值= 0.0，最大值= 1.0），观察值= BoundedArraySpec（shape =（3，3），dtype = dtype（'int32'），name ='TicTacToe板状态规范'，最小值= -1，最大值= 1））

Answer 1

您的观察结果不符合规范，您需要将dtype=np.int32传递给np数组以确保类型匹配。

py_environment'time_step'与'time_step_spec'不匹配

1 个答案: