【深度强化学习】 PPO 模型解析,附Pytorch完整代码




import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torch.distributions import Categorical
 
class PolicyNetwork(nn.Module):
    def __init__(self, num_inputs, num_actions):
        super(PolicyNetwork, self).__init__()
        self.fc1 = nn.Linear(num_inputs, 64)
        self.fc2 = nn.Linear(64, num_actions)
 
    def forward(self, x):
        x = F.relu(self.fc1(x))
        action_scores = self.fc2(x)
        return action_scores
 
    def get_action_probs(self, state):
        state = torch.from_numpy(state).float().unsqueeze(0)
        action_scores = self.forward(state)
        action_probs = F.softmax(action_scores, dim=1).data.squeeze()
        return action_probs
 
    def get_action(self, state):
        action_probs = self.get_action_probs(state)
        dist = Categorical(action_probs)
        action = dist.sample()
        return action.item(), action_probs
 
class ValueNetwork(nn.Module):
    def __init__(self, num_inputs):
        super(ValueNetwork, self).__init__()
        self.fc1 = nn.Linear(num_inputs, 64)
        self.fc2 = nn.Linear(64, 1)
 
    def forward(self, x):
        x = F.relu(self.fc1(x))
        state_values = self.fc2(x)
        return state_values
 
    def get_value(self, state):
        state = torch.from_numpy(state).float().unsqueeze(0)
        state_value = self.forward(state).data.squeeze().item()
        return state_value
 
def compute_advantages(batch_size, gamma, lambd, values, rewards, masks, next_values):
    advantages = torch.zeros(batch_size)
    adv_t = 0
    for t in reversed(range(len(rewards))):
        adv_t = rewards[t] + gamma * adv_t * masks[t]
        advantages[t] = adv_t - values[t]
    advantages = (advantages - advantages.mean()) / (advantages.std() + 1e-8)
    return advantages
 
def train_ppo(env, policy_net, value_net, optimizer_policy, optimizer_value, gamma=0.99, lambd=0.95, num_episodes=1000, batch_size=64):
    for i_episode in range(num_episodes):
        state = env.reset()
        log_probs = []
        values = []
        rewards = []
        masks = []
        
        for t in range(100):
            action, log_prob = policy_net.get_action_probs(state)
            next_state, reward, done, _ = env.step(action)
            log_probs.append(log_prob)
            values.append(value
none
最后修改于:2024年08月16日 10:29

评论已关闭

推荐阅读

Vue中使用mind-map实现在线思维导图
2024年08月04日
VUE
Web前端最全Vue实现免密登录跳转的方式_vue怎么样不登录返回首页,最强技术实现
2024年08月04日
VUE
vue3 项目搭建教程(基于create-vue,vite,Vite + Vue)
2024年08月04日
VUE
Vue-颜色选择器实现方案——>Vue-Color( 实战*1+ Demo*7)
2024年08月04日
VUE
Vue项目卡顿慢加载?这些优化技巧告诉你!_vue数据多渲染卡顿
2024年08月04日
VUE
vue中的keep-alive详解与应用场景
2024年08月04日
VUE
Vue、React实现excel导出功能(三种实现方式保姆级讲解)
2024年08月04日
vue-office/docx插件实现docx文件预览
2024年08月04日
VUE
java调用js文件的两种方法(支持V8引擎)
2024年08月04日
JavaScript:解决计算精度问题/mathjs/bignumber.js/big.js/decimal.js
2024年08月04日
两周从爬虫小白变大神 _yjs_js_security_passport
2024年08月04日
JS笔记(对象、函数、数组)
2024年08月04日
Markdown.js:强大的纯JavaScript Markdown解析器
2024年08月04日
Vue项目:js模拟点击a标签下载文件并重命名,URL文件地址下载方法、请求接口下载文件方法总结。
2024年08月04日
vue 父组件怎么获取子组件里面的data数据
2024年08月04日
VUE
个人开发实现AI套壳网站快速搭建(Vue+elementUI+SpringBoot)
2024年08月04日
el-table 表格封装并改造实现单元格可编辑
2024年08月04日
none
nodejs环境下创建vue项目、SSH密钥登陆!!!
2024年08月04日
vue+quill+element-ui实现视频、图片上传及缩放保姆级教程,轻松使用富文本
2024年08月04日
【three.js】22. Imported Models导入模型
2024年08月04日