上传者: 42140710
|
上传时间: 2021-11-13 16:11:12
|
文件大小: 107KB
|
文件类型: -
A2C
描述
这是使用OpenAI体育馆环境以PyTorch编写的的实现。
此实现包括卷积模型,原始A3C模型,完全连接的模型(基于Karpathy的Blog)和基于GRU的递归模型的选项。
BPTT
循环训练可以选择使用时间反向传播(BPTT),它可以在一系列状态而不是当前状态上建立梯度依存关系。 初步结果表明,使用BPTT不会提高训练效果。 有关两种培训方法的比较,请参见。
该算法在Pong-v0上进行了训练。 奖励图是在培训期间首次展示时收集的奖励的移动平均值。
对于Pong而言,奖励指标是每个游戏结束时收集的奖励的运行平均值,而不是完整的21分比赛。 这使最低奖励为-1,最大奖励为+1。 移动平均因子设置为0.99。
在Pong-v0上的GRU模型训练过程中,经过4000万个时间步的平均奖励图。
在使用反向传播穿越时间训练的Pong-v0上训练GRU模型的过程中,在400