我正试图在openai-gym的“月球登陆器”环境中实现DQN。
在训练了3000次之后,它没有显示出收敛的迹象(作为比较,一个非常简单的政策梯度方法在2000次之后收敛)。
我检查了我的代码好几次,但是找不到哪里不对。我希望这里有人能指出问题在哪里。下面是我的代码:
我使用的是简单的全连接网络:
class Net(nn.Module):
def __init__(self) -> None:
super().__init__()
self.main = nn.Sequential(
nn.Linear(8, 16),
nn.ReLU(),
nn.Linear(16, 16),
nn.ReLU(),
nn.Linear(16, 4)
)
def forward(self, state):
return self.main(state)
我在选择动作时使用了epsilon greedy,epsilon(从0.5开始)随时间呈指数级下降:
def sample_action(self, state):
self.epsilon = self.epsilon * 0.99
action_probs = self.network_train(state)
random_number = random.random()
if random_number < (1-self.epsilon):
action = torch.argmax(action_probs, dim=-1).item()
else:
action = random.choice([0, 1, 2, 3])
return action
在训练时,我使用了一个重放缓冲区,批处理大小为64,并使用了渐变剪辑:
def learn(self):
if len(self.buffer) >= BATCH_SIZE:
self.learn_counter += 1
transitions = self.buffer.sample(BATCH_SIZE)
batch = Transition(*zip(*transitions))
state = torch.from_numpy(np.concatenate(batch.state)).reshape(-1, 8)
action = torch.tensor(batch.action).reshape(-1, 1)
reward = torch.tensor(batch.reward).reshape(-1, 1)
state_value = self.network_train(state).gather(1, action)
next_state = torch.from_numpy(np.concatenate(batch.next_state)).reshape(-1, 8)
next_state_value = self.network_target(next_state).max(1)[0].reshape(-1, 1).detach()
loss = F.mse_loss(state_value.float(), (self.DISCOUNT_FACTOR*next_state_value + reward).float())
self.optim.zero_grad()
loss.backward()
for param in self.network_train.parameters():
param.grad.data.clamp_(-1, 1)
self.optim.step()
我还使用了一个目标网络,它的参数每100个时间步更新一次:
def update_network_target(self):
if (self.learn_counter % 100) == 0:
self.network_target.load_state_dict(self.network_train.state_dict())
顺便说一句,我使用亚当优化器和1 e-3的LR。
1条答案
按热度按时间cbjzeqam1#
解决了。显然更新目标网络的频率太高了。我把它设置为每10集,并修复了这个问题。