Double DQN with Prioritized Experience Reply
主要是学习了一下 tianshou的源代码来增加一些水平。看看好的开源库总是不错的。记录一下学到的知识。
Double DQN部分
- target net一直是eval的
- 只需要将new net的更新从
r + γ Q ′ ( s ′ , a r g m a x ( Q ′ ( s ′ , a ′ ) ) ) r + \gamma Q^{'}(s', argmax(Q'(s', a'))) r+γQ′(s′,argmax(Q′(s′,a′)))
变成
r + γ Q ′ ( s ′ , a r g m a x ( Q ( s ′ , a ′ ) ) ) r + \gamma Q^{'}(s', argmax(Q(s', a'))) r+γQ′(s′,argmax(Q(s′,a′)))
即可。并不需要弄个 Q A Q_A QA、 Q B Q_B QB一起更新啥的,还是new和old两个相对的网络。
Prioritized Experience Reply部分
虽然sum tree的结构很神奇,但是tianshou实现的时候用了很简单的indice = np.random.choice( self._size, batch_size, p=(self.weight / self.weight.sum())[:self._size], replace=self._replace)
直接用p这个参数搞定了。
另外我感觉这里他没有把important sampling的结果归一化?impt_weight = Batch( impt_weight=1 / np.power( self._size * (batch.weight / self._weight_sum), self._beta))
其他
compute_nstep_return()函数
首先,buffer是一个顺序存储结构,从不乱序
然后唯一的限制就是说一定是最后一个episode完整跑完了再做,即使它从前面覆盖了第一个episode也行
这个buffer占满了之后就从第一个位置开始继续覆盖放了
然后,indice是sample的样本在buffer中的坐标,是这个代码体系中从buffer sample后自带的
从每个indice+n_step开始算reward,倒着乘以gamma累加
然后万一开始的indice是一个被覆盖了的episode,当走到done这个位置时,
令return=0,也就是刚刚算的done之后的都不要了,相当于最后算的是新的:
----------|<-倒着算–|
-------done-----------
----------|<-不要了->| 不要也就是下面那个reward=0
代码中的gammas是说最后算完之后q = return + target_q * gamma的gamma
因为有done 的情况下,不一定都是n,所以特殊算了一下
returns = np.zeros_like(indice)
gammas = np.zeros_like(indice) + n_step
done, rew, buf_len = buffer.done, buffer.rew, len(buffer)
for n in range(n_step - 1, -1, -1):
now = (indice + n) % buf_len
gammas[done[now] > 0] = n
returns[done[now] > 0] = 0
returns = (rew[now] - mean) / std + gamma * returns
terminal = (indice + n_step - 1) % buf_len
target_q = target_q_fn(buffer, terminal).squeeze()
target_q[gammas != n_step] = 0
returns = to_torch_as(returns, target_q)
gammas = to_torch_as(gamma ** gammas, target_q)
batch.returns = target_q * gammas + returns
return batch