Question

我是RL的新手，我正在尝试训练RL经纪人在PyTorch中扮演MsPacman。我已经针对我的问题从PyTorch页面上的tutorial中修改了代码。 DQN具有以下架构：

DQN(
  (conv1): Conv2d(1, 32, kernel_size=(8, 8), stride=(4, 4), padding=(2, 2))
  (bn1): BatchNorm2d(32, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
  (conv2): Conv2d(32, 64, kernel_size=(4, 4), stride=(2, 2), padding=(1, 1))
  (bn2): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
  (conv3): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
  (bn3): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
  (linear1): Linear(in_features=7040, out_features=512, bias=True)
  (linear2): Linear(in_features=512, out_features=9, bias=True)
)

我正在使用具有以下设置的具有重播内存的actor（策略）和commentor（目标）方法：

重播缓冲区：100,000
目标更新：每10,000步
浴池大小：128
折扣率：0.999

为了进行权衡，我使用具有以下曲线的epsilon-greedy：

其中x轴是步数（百万），y是选择随机动作的概率。

策略网络的更新如下：

# next_state_values = Q-values precited by the target network
# GAMMA = discount rate (0.999)
# reward_batch = rewards for the states
expected_state_action_values = (next_state_values * GAMMA) + reward_batch

损失计算：

# state_action_values = actions taken by the policy agent
# expected_state_action_values - this is calculated above
loss = F.smooth_l1_loss(state_action_values, expected_state_action_values.unsqueeze(1))

更新策略（限制了梯度）：

optimiser.zero_grad()
loss.backward()
for param in policy_net.parameters():
    param.grad.data.clamp_(-1, 1)
optimiser.step()

在训练代理人时，我绘制了下面显示的每个情节的持续时间（橙色线显示了前100个情节的平均值）：

在4,000集后，代理人并没有真正进步，陷入了如下困境：

任何想法可能是什么问题？一些提示和指示将非常有帮助。

Answer 1

看到情节奖励会很有趣，因为这是代理人正在优化的。代理商从一开始就陷入困境吗？如果是这样，我猜想epsilon贪婪策略（开始时几乎是纯随机的）没有正确实施。我认为代理人会因为吃点而获得奖励，因此应该积极地走动。

尝试一个纯粹的随机代理，看看它是如何进行的，您可以将其绘制为基线，以告诉您代理是否在学习任何东西。

调试强化学习模型（MsPacman）

1 个答案: