Python 策略梯度算法会随着时间的推移变得更糟

我试图为视频游戏Pong编写一个策略梯度算法。 代码如下：

import tensorflow as tf
import gym
import numpy as np
import matplotlib.pyplot as plt
from os import getcwd

num_episodes = 1000
learning_rate = 0.01

rewards = []

env_name = 'Pong-v0'
env = gym.make(env_name)

x = tf.placeholder(tf.float32,(None,)+env.observation_space.shape)
y = tf.placeholder(tf.float32,(None,env.action_space.n))

def net(x):
    layer1 = tf.layers.flatten(x)
    layer2 = tf.layers.dense(layer1,200,activation=tf.nn.softmax)
    layer3 = tf.layers.dense(layer2,env.action_space.n,activation=tf.nn.softmax)

    return layer3

logits = net(x)
loss = tf.losses.sigmoid_cross_entropy(y,logits)
train = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss)
saver = tf.train.Saver()
init = tf.global_variables_initializer()
sess = tf.Session()

with tf.device('/device:GPU:0'):
    sess.run(init)

    for episode in range(num_episodes):
        print('episode:',episode+1)

        total_reward = 0
        losses = []
        training_data = []
        observation = env.reset()
        while True:
            if max(0.1, (episode+1)/num_episodes) > np.random.uniform():
                probs = sess.run(logits,feed_dict={x:[observation]})[0]
                action = np.argmax(probs)
            else:
                action = env.action_space.sample()

            onehot = np.zeros(env.action_space.n)
            onehot[action] = 1
            training_data.append([observation,onehot])
            observation, reward, done, _ = env.step(action)
            total_reward += reward

            if done:
                break

        if total_reward >= 0:
            learning_rate = 0.01
        else:
            learning_rate = -0.01

        for sample in training_data:
            l,_ = sess.run([loss,train],feed_dict={x:[sample[0]], y:[sample[1]]})
            losses.append(l)
            print('loss:',l)
        print('average loss:',sum(losses)/len(losses))

        saver.save(sess,getcwd()+'/model.ckpt')

        rewards.append(total_reward)
        plt.plot(range(episode+1),rewards)
        plt.ylabel('total reward')
        plt.xlabel('episodes')
        plt.savefig(getcwd()+'/reward_plot.png')

但在我训练了我的网络后，剧本的情节似乎表明网络在接近尾声时变得更糟了。同样在上一集中，所有训练示例的损失都是一样的（~0.68），当我尝试测试网络时，球员的球拍只是静止不动。有什么方法可以改进我的代码吗

---

我想请您熟悉如何使用tensorflow对神经网络进行编码，因为问题就在这里。您在两个nn层中都提供了

activation=tf.nn.softmax

，这两个nn层都应该是终端层（因为您试图找到最大的动作概率）。您可以在第二层中将其更改为

tf.nn.relu

。

学习率有一个更大的问题

：

if total_reward >= 0:
    learning_rate = 0.01
else:
    learning_rate = -0.01

。您希望学习速率为正（现在可以使用常数0.01）

---

另外，还有一条评论，您没有提到

观察空间

形状，但我假设它是一个2D矩阵。然后，您可以在将其输入到

x

之前对其进行重塑。因此，您不需要不必要地使用

tf.flatte

我不明白为什么我的学习率不应该是负的。你链接的帖子说，负学习率的唯一问题是，它会使损失最大化。但这正是我想做的。你为什么要最大限度地增加你的损失？损失函数是贴现报酬乘以行动概率的对数。现在，如果奖励是正面的，那么行为发生的可能性就更大，而如果奖励是负面的，那么发生的可能性就更小。如果你在奖励为正时将损失最小化，在奖励为负时将损失最大化，那么最终结果将是网络没有学习到你案例中发生的任何关键功能。不，我很确定我没有。我认为你是，很好。祝你好运。