我最近实现了ppo算法 他在CartPole-v1上表现出色 但它在Boxing-ram-v0中不起作用 有人可以解释吗?
this is the train score history in CartPole-v1
有人可以解释吗?
答案 0 :(得分:0)
我认为您的模型存在的问题是,对于所有时间步长,座席操作几乎都是相同的。这可能是由于神经网络变得饱和。在CartPole环境中,所有尺寸的状态都在[-,1,1]范围内,但在Boxing-ram-v0环境中则不在。因此,在将状态存储到缓冲区之前,您应该将状态标准化为[-1,1]范围。
希望这会有所帮助!