[英]Discount reward in REINFORCE deep reinforcement learning algorithm
我正在使用基线算法实施强化,但我对折扣奖励 function有疑问。
我像这样实现了折扣奖励 function:
def disc_r(rewards):
r = np.zeros_like(rewards)
tsteps = range(len(rewards)) #timesteps
sum_reward = 0
for i in reversed(tsteps):
sum_reward = rewards[i] + gamma*sum_reward
r[i] = sum_reward
print(r[i])
return r - np.mean(r)
因此,例如,对于折扣因子gamma = 0.1
和奖励rewards = [1,2,3,4]
,它给出:
r = [1.234, 2.34, 3.4, 4.0]
根据 return G的表达式,这是正确的:
回报是折扣奖励的总和:G = discount_ factor * G + reward
但是,在这里我的问题是,我从 Towards Data Science https://towardsdatascience.com/learning-reinforcement-learning-reinforce-with-pytorch-5e8ad7fc7da0找到了这篇文章,他们在其中定义了相同的 ZC1C425268E68385D1AB5074C17A94F14,如下所示:
def discount_rewards(rewards, gamma=0.99):
r = np.array([gamma**i * rewards[i] for i in range(len(rewards))])
# Reverse the array direction for cumsum and then revert back to the original order
r = r[::-1].cumsum()[::-1]
print(r)
return r — r.mean()
计算相同的gamma = 0.1
和奖励rewards = [1,2,3,4]
它给出:
r = [1.234, 0.234, 0.034, 0.004]
但是这里看不到流程,好像不符合G的规则……
有人知道第二个 function 发生了什么以及为什么它也可能是正确的(或者在哪种情况下可能......)?
我可以确认第二个 function 不正确。 使用 numpy 并且比您的第一个 function 更有效的更正版本是:
def discount_rewards(rewards, gamma):
t_steps = np.arange(rewards.size)
r = rewards * gamma**t_steps
r = r[::-1].cumsum()[::-1] / gamma**t_steps
return r
另外,在我看来,您的第一个 function 也不正确。 为什么要在 return 语句中减去平均值? 并注意初始化r = np.zeros_like(rewards, dtype=float)
否则 numpy 可能会将其视为 Z157DB7ZDF530023575515D366C9B672E8 向量和地板结果。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.