Ошибка значения гимназии с подкреплением обученияPython

Программы на Python
Ответить
Anonymous
 Ошибка значения гимназии с подкреплением обучения

Сообщение Anonymous »

Я впервые тестирую обучение с подкреплением в Gymnasium.
Я следую обучающему материалу на YouTube.
Я получаю следующую ошибку при запуске цикла обучения :
ValueError: установка элемента массива с помощью последовательности. Запрошенный массив превысит максимальное число измерений, равное 1.
Вот мой цикл обучения (я получаю сообщение об ошибке на env.step):

Код: Выделить всё

import gymnasium as gym

env = gym.make('LunarLander-v2')

print(f"Action space: {env.action_space}")
print(f"Observation space: {env.observation_space}")

import numpy as np

num_games = 250
load_checkpoint = False

agent = Agent(gamma=0.99, epsilon=1.0, lr=5e-4,
input_dims=[8], n_actions=4, max_mem_size=100000, eps_min=0.01,
batch_size=64, eps_dec=1e-3)

if load_checkpoint:
agent.load_models()

scores = []
eps_history = []
n_steps = 0

for i in range(num_games):
done = False
observation = env.reset()
score = 0

while not done:
action = agent.choose_action(observation)
print(env.step(action))
observation_, reward, done, _, info = env.step(action)
score += reward
agent.store_transition(observation, action,
reward, observation_, int(done))
agent.learn()

observation = observation_

scores.append(score)
avg_score = np.mean(scores[max(0, i-100):(i+1)])
print('episode: ', i,'score %.1f ' % score,
' average score %.1f' % avg_score,
'epsilon %.2f' % agent.epsilon)
if i > 0 and i % 10 == 0:
agent.save_models()

eps_history.append(agent.epsilon)

x = [i+1 for i in range(num_games)]
Вот мой агент (где DeepQNetwork — это общая трехуровневая сеть FC):

Код: Выделить всё

class Agent:
def __init__(self, gamma, epsilon, lr, input_dims, batch_size, n_actions,
max_mem_size=100000, eps_min=0.05, eps_dec=5e-4):
self.gamma = gamma
self.epsilon = epsilon
self.eps_min = eps_min
self.eps_dec = eps_dec
self.lr = lr
self.action_space = [i for i in range(n_actions)]
self.mem_size = max_mem_size
self.batch_size = batch_size
self.mem_cntr = 0
self.iter_cntr = 0
self.replace_target = 100

self.Q_eval = DeepQNetwork(lr, n_actions=n_actions,
input_dims=input_dims,
fc1_dims=256, fc2_dims=256)
self.state_memory = np.zeros((self.mem_size, *input_dims),
dtype=np.float32)
self.new_state_memory = np.zeros((self.mem_size, *input_dims),
dtype=np.float32)
self.action_memory = np.zeros(self.mem_size, dtype=np.int32)
self.reward_memory = np.zeros(self.mem_size, dtype=np.float32)
self.terminal_memory = np.zeros(self.mem_size, dtype=bool)

def store_transition(self, state, action, reward, state_, terminal):
index = self.mem_cntr % self.mem_size
self.state_memory[index] = state
self.new_state_memory[index] = state_
self.reward_memory[index] = reward
self.action_memory[index] = action
self.terminal_memory[index] = terminal

self.mem_cntr += 1

def choose_action(self, observation):
if np.random.random() > self.epsilon:
state = T.tensor([observation]).to(self.Q_eval.device)
actions = self.Q_eval.forward(state)
action = T.argmax(actions).item()
else:
action = np.random.choice(self.action_space)

return action

def learn(self):
if self.mem_cntr <  self.batch_size:
return

self.Q_eval.optimizer.zero_grad()

max_mem = min(self.mem_cntr, self.mem_size)

batch = np.random.choice(max_mem, self.batch_size, replace=False)
batch_index = np.arange(self.batch_size, dtype=np.int32)

state_batch = T.tensor(self.state_memory[batch]).to(self.Q_eval.device)
new_state_batch = T.tensor(
self.new_state_memory[batch]).to(self.Q_eval.device)
action_batch = self.action_memory[batch]
reward_batch = T.tensor(
self.reward_memory[batch]).to(self.Q_eval.device)
terminal_batch = T.tensor(
self.terminal_memory[batch]).to(self.Q_eval.device)

q_eval = self.Q_eval.forward(state_batch)[batch_index, action_batch]
q_next = self.Q_eval.forward(new_state_batch)
q_next[terminal_batch] = 0.0

q_target = reward_batch + self.gamma*T.max(q_next, dim=1)[0]

loss = self.Q_eval.loss(q_target, q_eval).to(self.Q_eval.device)
loss.backward()
self.Q_eval.optimizer.step()

self.iter_cntr += 1
self.epsilon = self.epsilon - self.eps_dec \
if self.epsilon > self.eps_min else self.eps_min

Будем очень признательны за любую помощь.

Подробнее здесь: https://stackoverflow.com/questions/784 ... valueerror
Ответить

Быстрый ответ

Изменение регистра текста: 
Смайлики
:) :( :oops: :roll: :wink: :muza: :clever: :sorry: :angel: :read: *x)
Ещё смайлики…
   
К этому ответу прикреплено по крайней мере одно вложение.

Если вы не хотите добавлять вложения, оставьте поля пустыми.

Максимально разрешённый размер вложения: 15 МБ.

Вернуться в «Python»