1、信息熵 – 针对于策略问题
如果信息熵逐渐降低,表明策略越来越确定,趋于平缓
2、loss指标 – 评价网络收敛的好坏
虽然不能直观的说明策略的好坏,但是loss可以看出网络模型的学习程度。
趋于平缓,训练的差不多了,不代表策略最优
3、reward
reward大多数是对于状态之间转移的即时奖励,和整个决策规划的好坏不能直接等价。
在训练过程中,DRL策略在一个episode下的平均奖赏没有明显变化时,可以视为DRL训练近似收敛。
- dense reward:也可以换成使用平均reward来表示。
- sparse reward:使用reward指标很难看出来,因为有很大一部分时候reward都是趋于0 的。
4、其他
- 结合了具体场景的一些指标,如游戏中agent的血量、存活率等,采用一些可以进行评价的指标
- 有些场景下设置了学习了随训练轮次逐渐减少的trick,也会影响一些收敛判断。