Python 解决此类DQN代理的最佳方法是什么？

我是一个强化学习和深度学习的初学者，对我来说很简单^^

假设我们在Keras中有一个DQN代理，它接收的输入是0和1的2D矩阵，假设它有10行3列

该矩阵是10个用户请求的矩阵（行数），如果其中一个列的值等于1，则表示用户向代理请求将资源提供给该用户

例如：

[
 [0, 1, 0],
 [0, 0, 0],
 [1, 0, 0],
 [0, 0, 1],
 ...
]

在收到输入矩阵后，代理必须为请求它的用户提供一个资源，而不为不请求它的用户提供任何资源

假设代理有12个可以分配的资源。我们可以将资源分配表示为一个2D矩阵，它有12行（资源数量）和10列（用户数量）

每个资源只能提供给一个用户，每个用户在每个步骤中只能使用一个资源

我试过，这是一个与我类似的问题，但当我运行代码时，q_值（或权重？）被分配到输出矩阵每行的每一列，我想要的是q_值被分配到整个矩阵，或者至少这是我的初学者大脑告诉我的

动作（输出）矩阵可以如下所示：

[
 [1, 0, 0, 0, 0, ...]
 [0, 0, 0, 0, 0, ...],
 [0, 0, 0, 1, 0, ...],
 ...
]

我的一个想法是从矩阵集合（动作）中进行选择，但集合非常大，我无法存储它，因为它给了我一个MemoryError

---

我仍然不清楚解决这个难题的最佳方法是什么。

最简单的方法是用n维动作向量定义DQN代理。此动作向量的每个条目都应该是[-1，n_resources]中的整数

x

x=-1

表示没有分配给此用户的资源，而

0
[0, -1, 3, ...]