[英]Why is the Stable-Baselines3 evaluate_policy() function never finishing/completing?
[英]Evaluate_policy records much higher mean reward then stable baselines 3 logger
正如标题所说,我正在使用 SB3 在 Cartpole 环境中测试 PPO,但如果我看一下评估策略 function 的性能,我在 20000 个时间步长时获得了 475 可靠的平均奖励,但如果我看一下,我需要大约 90000 个时间步长控制台日志以在学习期间获得可比较的结果。
为什么我的 model 在使用评估助手时表现得更好?
我在这两种情况下都使用了相同的超参数,并且使用了一个新的环境来使用辅助方法进行评估。
我想我已经解决了“问题”:evaluate_policy 在其默认设置中使用确定性操作,从而更快地获得更好的结果。
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.