Python 如何实现状态值函数?
我正在看关于深度强化学习的伯克利CS294课程。然而,我在任务中遇到了一些麻烦。我试图实现下面的等式。我认为这很简单,但我未能获得评论中所示的预期结果。一定有什么我误解了。下面的代码显示了详细信息。有人能帮忙吗 这是我的密码:Python 如何实现状态值函数?,python,reinforcement-learning,Python,Reinforcement Learning,我正在看关于深度强化学习的伯克利CS294课程。然而,我在任务中遇到了一些麻烦。我试图实现下面的等式。我认为这很简单,但我未能获得评论中所示的预期结果。一定有什么我误解了。下面的代码显示了详细信息。有人能帮忙吗 这是我的密码: def compute_vpi(pi, P, R, gamma): """ :param pi: a deterministic policy (1D array: S -> A) :param P: the transition prob
def compute_vpi(pi, P, R, gamma):
"""
:param pi: a deterministic policy (1D array: S -> A)
:param P: the transition probabilities (3D array: S*A*S -> R)
:param R: the reward function (3D array: S*A*S -> R)
:param gamma: the discount factor (scalar)
:return: vpi, the state-value function for the policy pi
"""
nS = P.shape[0]
# YOUR CODE HERE
############## Here is what I wrote ######################
vpi = np.zeros([nS,])
for i in range(nS):
for j in range(nS):
vpi[i] += P[i, pi[i], j] * (R[i, pi[i], j] + gamma*vpi[j])
##########################################################
# raise NotImplementedError()
assert vpi.shape == (nS,)
return vpi
pi0 = np.zeros(nS,dtype='i')
compute_vpi(pi0, P_rand, R_rand, gamma)
# Expected output:
# array([ 5.206217 , 5.15900351, 5.01725926, 4.76913715, 5.03154609,
# 5.06171323, 4.97964471, 5.28555573, 5.13320501, 5.08988046])
我得到的是:
array([ 0.61825794, 0.67755819, 0.60497582, 0.30181986, 0.67560153,
0.88691815, 0.73629922, 1.09325453, 1.15480849, 1.21112992])
一些初始化代码:
nr.seed(0) # seed random number generator
nS = 10
nA = 2
# nS: number of states
# nA: number of actions
R_rand = nr.rand(nS, nA, nS) # reward function
# R[i,j,k] := R(s=i, a=j, s'=k),
# i.e., the dimensions are (current state, action, next state)
P_rand = nr.rand(nS, nA, nS)
# P[i,j,k] := P(s'=k | s=i, a=j)
# i.e., dimensions are (current state, action, next state)
P_rand /= P_rand.sum(axis=2,keepdims=True) # normalize conditional probabilities
gamma = 0.90
实际上,作业2提供了解决方案,如果其他人在线学习本课程并遇到一些麻烦,请尝试从下一个作业中找到一些提示。实际上,作业2提供了解决方案,如果其他人在线学习本课程并遇到一些麻烦,试着从下一个作业中找到一些技巧。你可能想试着告诉我们你期望看到什么,以及你看到了什么……我添加了一些解释,它是关于强化学习中一个名为值函数的方程式,我认为这是一个非常简单和基本的概念,但是错误的输出告诉我我错了-,-当您试图实现的给定函数只对s求和时,为什么要对s(
i
)和s'(j
)求和?(同时,您的注释说明您正在返回一个函数,但实际上您正在返回一个数组…)也许是一些参考链接/注释,以便那些没有参加该特定课程(并且仍然记得任何内容)的人可以了解您所在的位置?特别是,一个没有注释的公式及其组成部分没有任何意义。谢谢大家,我在作业第2部分找到了解决方案。你们可能想告诉我们你们期望看到的,以及你们看到的……我添加了一些解释,它是关于强化学习中一个名为值函数的方程,我认为这是一个非常简单和基本的概念,但是错误的输出告诉我我错了-,-当给定的函数只对s求和时,为什么要对s(I
)和s'(j
)求和?(同时,您的注释说明您正在返回一个函数,但实际上您正在返回一个数组…)也许是一些参考链接/注释,以便那些没有参加该特定课程(并且仍然记得任何内容)的人可以了解您所在的位置?特别是,一个没有注释的公式,它是什么,它的部分是什么,没有任何意义。谢谢大家,我在作业第二部分找到了答案。