TF- এজেন্টদের সাথে একটি গভীর Q নেটওয়ার্ক প্রশিক্ষণ দিন

TensorFlow.org এ দেখুন Google Colab-এ চালান GitHub-এ উৎস দেখুন নোটবুক ডাউনলোড করুন

ভূমিকা

নিচের উদাহরনের মাধ্যমে দেখানো একটি ট্রেন কিভাবে DQN (গভীর প্রশ্ন নেটওয়ার্কগুলি) মেমরি-এজেন্ট লাইব্রেরি ব্যবহার Cartpole পরিবেশের উপর এজেন্ট।

কার্টপোল পরিবেশ

এটি আপনাকে প্রশিক্ষণ, মূল্যায়ন এবং ডেটা সংগ্রহের জন্য একটি রিইনফোর্সমেন্ট লার্নিং (RL) পাইপলাইনের সমস্ত উপাদানের মধ্য দিয়ে নিয়ে যাবে।

এই কোডটি লাইভ চালাতে, উপরের 'Google Colab-এ চালান' লিঙ্কে ক্লিক করুন।

সেটআপ

আপনি যদি নিম্নলিখিত নির্ভরতাগুলি ইনস্টল না করে থাকেন তবে চালান:

sudo apt-get update
sudo apt-get install -y xvfb ffmpeg freeglut3-dev
pip install 'imageio==2.4.0'
pip install pyvirtualdisplay
pip install tf-agents[reverb]
pip install pyglet

from __future__ import absolute_import, division, print_function

import base64
import imageio
import IPython
import matplotlib
import matplotlib.pyplot as plt
import numpy as np
import PIL.Image
import pyvirtualdisplay
import reverb

import tensorflow as tf

from tf_agents.agents.dqn import dqn_agent
from tf_agents.drivers import py_driver
from tf_agents.environments import suite_gym
from tf_agents.environments import tf_py_environment
from tf_agents.eval import metric_utils
from tf_agents.metrics import tf_metrics
from tf_agents.networks import sequential
from tf_agents.policies import py_tf_eager_policy
from tf_agents.policies import random_tf_policy
from tf_agents.replay_buffers import reverb_replay_buffer
from tf_agents.replay_buffers import reverb_utils
from tf_agents.trajectories import trajectory
from tf_agents.specs import tensor_spec
from tf_agents.utils import common

# Set up a virtual display for rendering OpenAI gym environments.
display = pyvirtualdisplay.Display(visible=0, size=(1400, 900)).start()

tf.version.VERSION

'2.6.0'

হাইপারপ্যারামিটার

num_iterations = 20000 # @param {type:"integer"}

initial_collect_steps = 100  # @param {type:"integer"}
collect_steps_per_iteration =   1# @param {type:"integer"}
replay_buffer_max_length = 100000  # @param {type:"integer"}

batch_size = 64  # @param {type:"integer"}
learning_rate = 1e-3  # @param {type:"number"}
log_interval = 200  # @param {type:"integer"}

num_eval_episodes = 10  # @param {type:"integer"}
eval_interval = 1000  # @param {type:"integer"}

পরিবেশ

রিইনফোর্সমেন্ট লার্নিং (RL) এ, একটি পরিবেশকে সমাধান করা টাস্ক বা সমস্যার প্রতিনিধিত্ব করে। স্ট্যান্ডার্ড পরিবেশের ব্যবহার মেমরি-এজেন্ট এবং তৈরি করা যেতে পারে tf_agents.environments সংকলনের। TF-Agents-এর কাছে OpenAI Gym, Atari এবং DM কন্ট্রোলের মতো উৎস থেকে পরিবেশ লোড করার জন্য স্যুট রয়েছে।

OpenAI জিম স্যুট থেকে CartPole পরিবেশ লোড করুন।

env_name = 'CartPole-v0'
env = suite_gym.load(env_name)

এটি দেখতে কেমন তা দেখতে আপনি এই পরিবেশটি রেন্ডার করতে পারেন। একটি ফ্রি-সুইংিং খুঁটি একটি কার্টের সাথে সংযুক্ত। লক্ষ্য হল কার্টটিকে ডানে বা বামে সরানো যাতে মেরুটি উপরে থাকে।

env.reset()
PIL.Image.fromarray(env.render())

png

environment.step পদ্ধতি একটি লাগে action পরিবেশে এবং ফেরৎ TimeStep পরিবেশের পরবর্তী পর্যবেক্ষণ ও কর্মের জন্য প্রতিদান ধারণকারী tuple।

time_step_spec() পদ্ধতির জন্য স্পেসিফিকেশন ফেরৎ TimeStep tuple। তার observation অ্যাট্রিবিউট শো পর্যবেক্ষণ আকৃতি, ধরনের তথ্য এবং অনুমতি মূল্যবোধের রেঞ্জ। reward অ্যাট্রিবিউট পুরস্কার জন্য একই বিবরণ দেখায়।

print('Observation Spec:')
print(env.time_step_spec().observation)

Observation Spec:
BoundedArraySpec(shape=(4,), dtype=dtype('float32'), name='observation', minimum=[-4.8000002e+00 -3.4028235e+38 -4.1887903e-01 -3.4028235e+38], maximum=[4.8000002e+00 3.4028235e+38 4.1887903e-01 3.4028235e+38])

print('Reward Spec:')
print(env.time_step_spec().reward)

Reward Spec:
ArraySpec(shape=(), dtype=dtype('float32'), name='reward')

action_spec() পদ্ধতি আকৃতি, ধরনের তথ্য, এবং বৈধ কর্মের অনুমতি মান ফেরৎ।

print('Action Spec:')
print(env.action_spec())

Action Spec:
BoundedArraySpec(shape=(), dtype=dtype('int64'), name='action', minimum=0, maximum=1)

কার্টপোল পরিবেশে:

  • observation 4 ভাসে একটি অ্যারে:
    • কার্টের অবস্থান এবং বেগ
    • মেরুটির কৌণিক অবস্থান এবং বেগ
  • reward স্কেলের ভাসা মান
  • action মাত্র দুটি সম্ভাব্য মান সঙ্গে একটি স্কেলার পূর্ণসংখ্যা হল:
    • 0 - "পদক্ষেপ left"
    • 1 - "পদক্ষেপ অধিকার"
time_step = env.reset()
print('Time step:')
print(time_step)

action = np.array(1, dtype=np.int32)

next_time_step = env.step(action)
print('Next time step:')
print(next_time_step)

Time step:
TimeStep(
{'discount': array(1., dtype=float32),
 'observation': array([-0.02109759, -0.00062286,  0.04167245, -0.03825747], dtype=float32),
 'reward': array(0., dtype=float32),
 'step_type': array(0, dtype=int32)})
Next time step:
TimeStep(
{'discount': array(1., dtype=float32),
 'observation': array([-0.02111005,  0.1938775 ,  0.0409073 , -0.31750655], dtype=float32),
 'reward': array(1., dtype=float32),
 'step_type': array(1, dtype=int32)})

সাধারণত দুটি পরিবেশ তাত্ক্ষণিক হয়: একটি প্রশিক্ষণের জন্য এবং একটি মূল্যায়নের জন্য।

train_py_env = suite_gym.load(env_name)
eval_py_env = suite_gym.load(env_name)

কার্টপোল পরিবেশ, বেশিরভাগ পরিবেশের মতো, বিশুদ্ধ পাইথনে লেখা হয়। এই ব্যবহার TensorFlow রূপান্তরিত হয় TFPyEnvironment মোড়কের।

মূল পরিবেশের API Numpy অ্যারে ব্যবহার করে। TFPyEnvironment পরিবর্তিত এই Tensors এটা Tensorflow এজেন্ট এবং নীতি সামঞ্জস্যপূর্ণ করা।

train_env = tf_py_environment.TFPyEnvironment(train_py_env)
eval_env = tf_py_environment.TFPyEnvironment(eval_py_env)

প্রতিনিধি

একটি আরএল সমস্যা সমাধানের জন্য ব্যবহৃত আলগোরিদিম একটি দ্বারা প্রতিনিধিত্ব করা হয় Agent । মেমরি-এজেন্ট বিভিন্ন মান বাস্তবায়নের উপলব্ধ Agents , যেমন:

ডিকিউএন এজেন্ট যেকোন পরিবেশে ব্যবহার করা যেতে পারে যার একটি বিচ্ছিন্ন অ্যাকশন স্পেস রয়েছে।

একটি DQN এজেন্ট হৃদয়স্থলে একটি হল QNetwork , একটি স্নায়ুর নেটওয়ার্ক মডেল যে ভবিষ্যদ্বাণী করা শিখতে পারি QValues সব কর্মের জন্য (প্রত্যাশিত আয়), পরিবেশ থেকে একটি পর্যবেক্ষণ দেওয়া।

আমরা ব্যবহার করবে tf_agents.networks. একটি তৈরি করতে QNetwork । নেটওয়ার্কের একটি ক্রম গঠিত হবে tf.keras.layers.Dense স্তর, যেখানে চূড়ান্ত স্তর 1 টি সম্ভাব্য ক্রিয়ার জন্য আউটপুট থাকবে।

fc_layer_params = (100, 50)
action_tensor_spec = tensor_spec.from_spec(env.action_spec())
num_actions = action_tensor_spec.maximum - action_tensor_spec.minimum + 1

# Define a helper function to create Dense layers configured with the right
# activation and kernel initializer.
def dense_layer(num_units):
  return tf.keras.layers.Dense(
      num_units,
      activation=tf.keras.activations.relu,
      kernel_initializer=tf.keras.initializers.VarianceScaling(
          scale=2.0, mode='fan_in', distribution='truncated_normal'))

# QNetwork consists of a sequence of Dense layers followed by a dense layer
# with `num_actions` units to generate one q_value per available action as
# its output.
dense_layers = [dense_layer(num_units) for num_units in fc_layer_params]
q_values_layer = tf.keras.layers.Dense(
    num_actions,
    activation=None,
    kernel_initializer=tf.keras.initializers.RandomUniform(
        minval=-0.03, maxval=0.03),
    bias_initializer=tf.keras.initializers.Constant(-0.2))
q_net = sequential.Sequential(dense_layers + [q_values_layer])

Now ব্যবহার tf_agents.agents.dqn.dqn_agent একটি instantiate করার DqnAgent । ছাড়াও time_step_spec , action_spec এবং QNetwork, প্রতিনিধি কন্সট্রাকটর এছাড়াও একটি অপটিমাইজার (এই ক্ষেত্রে, প্রয়োজন AdamOptimizer ), একটি ক্ষতি ফাংশন, এবং একটি পূর্ণসংখ্যা পদক্ষেপ কাউন্টার।

optimizer = tf.keras.optimizers.Adam(learning_rate=learning_rate)

train_step_counter = tf.Variable(0)

agent = dqn_agent.DqnAgent(
    train_env.time_step_spec(),
    train_env.action_spec(),
    q_network=q_net,
    optimizer=optimizer,
    td_errors_loss_fn=common.element_wise_squared_loss,
    train_step_counter=train_step_counter)

agent.initialize()

নীতিমালা

একটি নীতি একটি পরিবেশে এজেন্ট কীভাবে কাজ করে তা সংজ্ঞায়িত করে। সাধারণত, শক্তিবৃদ্ধি শিক্ষার লক্ষ্য হল অন্তর্নিহিত মডেলকে প্রশিক্ষণ দেওয়া যতক্ষণ না নীতিটি পছন্দসই ফলাফল তৈরি করে।

এই টিউটোরিয়ালে:

  • কাঙ্খিত ফলাফল হল কার্টের উপরে মেরুটিকে ভারসাম্যপূর্ণ রাখা।
  • নীতি প্রত্যেকের জন্য একটি কর্ম (বাম বা ডান) ফেরৎ time_step পর্যবেক্ষণ।

এজেন্ট দুটি নীতি ধারণ করে:

  • agent.policy - প্রধান নীতি মূল্যায়ন এবং স্থাপনার জন্য ব্যবহার করা হয়।
  • agent.collect_policy - একটি দ্বিতীয় নীতি তথ্য সংগ্রহের জন্য ব্যবহার করা হয়।
eval_policy = agent.policy
collect_policy = agent.collect_policy

নীতিগুলি এজেন্টদের থেকে স্বাধীনভাবে তৈরি করা যেতে পারে। উদাহরণ হিসেবে বলা যায়, ব্যবহার tf_agents.policies.random_tf_policy একটি নীতি যা এলোমেলোভাবে প্রতিটি জন্য একটি অ্যাকশন নির্বাচন করব তৈরি করতে time_step ।

random_policy = random_tf_policy.RandomTFPolicy(train_env.time_step_spec(),
                                                train_env.action_spec())

একটি নীতি থেকে একটি কর্ম পেতে, কল policy.action(time_step) পদ্ধতি। time_step পরিবেশ থেকে পর্যবেক্ষণ রয়েছে। এই পদ্ধতি একটি ফেরৎ PolicyStep , যা তিনটি উপাদান সঙ্গে একটি নামে tuple হল:

  • action - পদক্ষেপ নেওয়া হয়েছে করা (এই ক্ষেত্রে, 0 বা 1 )
  • state - stateful জন্য ব্যবহৃত (যেমন, RNN ভিত্তিক) নীতি
  • info - যেমন কর্মের লগ সম্ভাব্যতা যেমন অক্জিলিয়ারী ডেটা,
example_environment = tf_py_environment.TFPyEnvironment(
    suite_gym.load('CartPole-v0'))

time_step = example_environment.reset()

random_policy.action(time_step)

PolicyStep(action=<tf.Tensor: shape=(1,), dtype=int64, numpy=array([1])>, state=(), info=())

মেট্রিক্স এবং মূল্যায়ন

একটি নীতি মূল্যায়ন করতে ব্যবহৃত সবচেয়ে সাধারণ মেট্রিক হল গড় রিটার্ন। রিটার্ন হল একটি পর্বের জন্য একটি পরিবেশে একটি নীতি চালানোর সময় প্রাপ্ত পুরস্কারের সমষ্টি। বেশ কয়েকটি পর্ব চালানো হয়, গড় রিটার্ন তৈরি করে।

নিম্নলিখিত ফাংশন নীতি, পরিবেশ এবং বেশ কয়েকটি পর্বের প্রেক্ষিতে একটি নীতির গড় রিটার্ন গণনা করে।

def compute_avg_return(environment, policy, num_episodes=10):

  total_return = 0.0
  for _ in range(num_episodes):

    time_step = environment.reset()
    episode_return = 0.0

    while not time_step.is_last():
      action_step = policy.action(time_step)
      time_step = environment.step(action_step.action)
      episode_return += time_step.reward
    total_return += episode_return

  avg_return = total_return / num_episodes
  return avg_return.numpy()[0]


# See also the metrics module for standard implementations of different metrics.
# https://github.com/tensorflow/agents/tree/master/tf_agents/metrics

এই গণনার চলমান random_policy পরিবেশে একটি বেসলাইন কর্মক্ষমতা দেখায়।

compute_avg_return(eval_env, random_policy, num_eval_episodes)

20.7

রিপ্লে বাফার

অর্ডার পরিবেশ থেকে সংগৃহীত ডেটা ট্র্যাক রাখতে করার জন্য, আমরা ব্যবহার করবে প্রতিধ্বনি , Deepmind দ্বারা একটি, দক্ষ প্রসার্য এবং সহজ-থেকে-ব্যবহার রিপ্লে সিস্টেম। আমরা যখন ট্রাজেক্টোরি সংগ্রহ করি এবং প্রশিক্ষণের সময় ব্যবহার করা হয় তখন এটি অভিজ্ঞতার ডেটা সঞ্চয় করে।

এই রিপ্লে বাফারটি স্পেস ব্যবহার করে তৈরি করা হয়েছে যে টেনসরগুলিকে সংরক্ষণ করতে হবে, যা agent.collect_data_spec ব্যবহার করে এজেন্ট থেকে পাওয়া যেতে পারে।

table_name = 'uniform_table'
replay_buffer_signature = tensor_spec.from_spec(
      agent.collect_data_spec)
replay_buffer_signature = tensor_spec.add_outer_dim(
    replay_buffer_signature)

table = reverb.Table(
    table_name,
    max_size=replay_buffer_max_length,
    sampler=reverb.selectors.Uniform(),
    remover=reverb.selectors.Fifo(),
    rate_limiter=reverb.rate_limiters.MinSize(1),
    signature=replay_buffer_signature)

reverb_server = reverb.Server([table])

replay_buffer = reverb_replay_buffer.ReverbReplayBuffer(
    agent.collect_data_spec,
    table_name=table_name,
    sequence_length=2,
    local_server=reverb_server)

rb_observer = reverb_utils.ReverbAddTrajectoryObserver(
  replay_buffer.py_client,
  table_name,
  sequence_length=2)

[reverb/cc/platform/tfrecord_checkpointer.cc:150]  Initializing TFRecordCheckpointer in /tmp/tmpcz7e0i7c.
[reverb/cc/platform/tfrecord_checkpointer.cc:385] Loading latest checkpoint from /tmp/tmpcz7e0i7c
[reverb/cc/platform/default/server.cc:71] Started replay server on port 21909

সবচেয়ে এজেন্ট জন্য, collect_data_spec একটি নামাঙ্কিত tuple বলা হয় Trajectory , পর্যবেক্ষণ, কর্ম, পুরষ্কার, এবং অন্যান্য আইটেম জন্য চশমা রয়েছে।

agent.collect_data_spec

Trajectory(
{'action': BoundedTensorSpec(shape=(), dtype=tf.int64, name='action', minimum=array(0), maximum=array(1)),
 'discount': BoundedTensorSpec(shape=(), dtype=tf.float32, name='discount', minimum=array(0., dtype=float32), maximum=array(1., dtype=float32)),
 'next_step_type': TensorSpec(shape=(), dtype=tf.int32, name='step_type'),
 'observation': BoundedTensorSpec(shape=(4,), dtype=tf.float32, name='observation', minimum=array([-4.8000002e+00, -3.4028235e+38, -4.1887903e-01, -3.4028235e+38],
      dtype=float32), maximum=array([4.8000002e+00, 3.4028235e+38, 4.1887903e-01, 3.4028235e+38],
      dtype=float32)),
 'policy_info': (),
 'reward': TensorSpec(shape=(), dtype=tf.float32, name='reward'),
 'step_type': TensorSpec(shape=(), dtype=tf.int32, name='step_type')})

agent.collect_data_spec._fields

('step_type',
 'observation',
 'action',
 'policy_info',
 'next_step_type',
 'reward',
 'discount')

তথ্য সংগ্রহ

এখন রিপ্লে বাফারে ডেটা রেকর্ড করে কয়েক ধাপের জন্য পরিবেশে এলোমেলো নীতিটি চালান।

এখানে আমরা 'PyDriver' ব্যবহার করছি লুপ সংগ্রহ করার অভিজ্ঞতা চালানোর জন্য। আপনি যদি আমাদের মধ্যে মেমরি এজেন্ট চালক সম্পর্কে আরও জানতে পারেন ড্রাইভার টিউটোরিয়াল ।

py_driver.PyDriver(
    env,
    py_tf_eager_policy.PyTFEagerPolicy(
      random_policy, use_tf_function=True),
    [rb_observer],
    max_steps=initial_collect_steps).run(train_py_env.reset())

(TimeStep(
 {'discount': array(1., dtype=float32),
  'observation': array([ 0.04100575,  0.16847703, -0.12718087, -0.6300714 ], dtype=float32),
  'reward': array(1., dtype=float32),
  'step_type': array(1, dtype=int32)}),
 ())

রিপ্লে বাফার এখন ট্র্যাজেক্টোরিজের একটি সংগ্রহ।

# For the curious:
# Uncomment to peel one of these off and inspect it.
# iter(replay_buffer.as_dataset()).next()

এজেন্ট রিপ্লে বাফার অ্যাক্সেস প্রয়োজন. এটি একটি iterable তৈরি করে প্রদান করা হয় tf.data.Dataset পাইপলাইন যা এজেন্টকে ডেটা ফিড হবে।

রিপ্লে বাফারের প্রতিটি সারি শুধুমাত্র একটি একক পর্যবেক্ষণ ধাপ সঞ্চয় করে। কিন্তু যেহেতু DQN এজেন্ট হ্রাস গনা উভয় বর্তমান এবং পরবর্তী পর্যবেক্ষণ প্রয়োজন, ডেটা সেটটি পাইপলাইন ব্যাচ (ইন প্রতিটি আইটেমের জন্য দুটি সন্নিহিত সারি নমুনা হবে num_steps=2 )।

এই ডেটাসেটটি সমান্তরাল কল চালানো এবং ডেটা প্রিফেচ করেও অপ্টিমাইজ করা হয়েছে।

# Dataset generates trajectories with shape [Bx2x...]
dataset = replay_buffer.as_dataset(
    num_parallel_calls=3,
    sample_batch_size=batch_size,
    num_steps=2).prefetch(3)

dataset

<PrefetchDataset shapes: (Trajectory(
{action: (64, 2),
 discount: (64, 2),
 next_step_type: (64, 2),
 observation: (64, 2, 4),
 policy_info: (),
 reward: (64, 2),
 step_type: (64, 2)}), SampleInfo(key=(64, 2), probability=(64, 2), table_size=(64, 2), priority=(64, 2))), types: (Trajectory(
{action: tf.int64,
 discount: tf.float32,
 next_step_type: tf.int32,
 observation: tf.float32,
 policy_info: (),
 reward: tf.float32,
 step_type: tf.int32}), SampleInfo(key=tf.uint64, probability=tf.float64, table_size=tf.int64, priority=tf.float64))>

iterator = iter(dataset)
print(iterator)

<tensorflow.python.data.ops.iterator_ops.OwnedIterator object at 0x7f3cec38cd90>

# For the curious:
# Uncomment to see what the dataset iterator is feeding to the agent.
# Compare this representation of replay data 
# to the collection of individual trajectories shown earlier.

# iterator.next()

এজেন্ট প্রশিক্ষণ

প্রশিক্ষণ লুপের সময় দুটি জিনিস অবশ্যই ঘটবে:

  • পরিবেশ থেকে তথ্য সংগ্রহ
  • এজেন্টের নিউরাল নেটওয়ার্ক(গুলি) প্রশিক্ষণের জন্য সেই ডেটা ব্যবহার করুন

এই উদাহরণটি পর্যায়ক্রমে নীতি মূল্যায়ন করে এবং বর্তমান স্কোর প্রিন্ট করে।

নিম্নলিখিতটি চালাতে ~5 মিনিট সময় লাগবে৷

try:
  %%time
except:
  pass

# (Optional) Optimize by wrapping some of the code in a graph using TF function.
agent.train = common.function(agent.train)

# Reset the train step.
agent.train_step_counter.assign(0)

# Evaluate the agent's policy once before training.
avg_return = compute_avg_return(eval_env, agent.policy, num_eval_episodes)
returns = [avg_return]

# Reset the environment.
time_step = train_py_env.reset()

# Create a driver to collect experience.
collect_driver = py_driver.PyDriver(
    env,
    py_tf_eager_policy.PyTFEagerPolicy(
      agent.collect_policy, use_tf_function=True),
    [rb_observer],
    max_steps=collect_steps_per_iteration)

for _ in range(num_iterations):

  # Collect a few steps and save to the replay buffer.
  time_step, _ = collect_driver.run(time_step)

  # Sample a batch of data from the buffer and update the agent's network.
  experience, unused_info = next(iterator)
  train_loss = agent.train(experience).loss

  step = agent.train_step_counter.numpy()

  if step % log_interval == 0:
    print('step = {0}: loss = {1}'.format(step, train_loss))

  if step % eval_interval == 0:
    avg_return = compute_avg_return(eval_env, agent.policy, num_eval_episodes)
    print('step = {0}: Average Return = {1}'.format(step, avg_return))
    returns.append(avg_return)

WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow/python/util/dispatch.py:206: calling foldr_v2 (from tensorflow.python.ops.functional_ops) with back_prop=False is deprecated and will be removed in a future version.
Instructions for updating:
back_prop=False is deprecated. Consider using tf.stop_gradient instead.
Instead of:
results = tf.foldr(fn, elems, back_prop=False)
Use:
results = tf.nest.map_structure(tf.stop_gradient, tf.foldr(fn, elems))
[reverb/cc/client.cc:163] Sampler and server are owned by the same process (15446) so Table uniform_table is accessed directly without gRPC.
[reverb/cc/client.cc:163] Sampler and server are owned by the same process (15446) so Table uniform_table is accessed directly without gRPC.
[reverb/cc/client.cc:163] Sampler and server are owned by the same process (15446) so Table uniform_table is accessed directly without gRPC.
[reverb/cc/client.cc:163] Sampler and server are owned by the same process (15446) so Table uniform_table is accessed directly without gRPC.
[reverb/cc/client.cc:163] Sampler and server are owned by the same process (15446) so Table uniform_table is accessed directly without gRPC.
[reverb/cc/client.cc:163] Sampler and server are owned by the same process (15446) so Table uniform_table is accessed directly without gRPC.
step = 200: loss = 27.080341339111328
step = 400: loss = 3.0314550399780273
step = 600: loss = 470.9187927246094
step = 800: loss = 548.7870483398438
step = 1000: loss = 4315.17578125
step = 1000: Average Return = 48.400001525878906
step = 1200: loss = 5297.24853515625
step = 1400: loss = 11601.296875
step = 1600: loss = 60482.578125
step = 1800: loss = 802764.8125
step = 2000: loss = 1689283.0
step = 2000: Average Return = 63.400001525878906
step = 2200: loss = 4928921.0
step = 2400: loss = 5508345.0
step = 2600: loss = 17888162.0
step = 2800: loss = 23993148.0
step = 3000: loss = 10192765.0
step = 3000: Average Return = 74.0999984741211
step = 3200: loss = 88318176.0
step = 3400: loss = 77485728.0
step = 3600: loss = 3236693504.0
step = 3800: loss = 102289840.0
step = 4000: loss = 168594496.0
step = 4000: Average Return = 73.5999984741211
step = 4200: loss = 348990528.0
step = 4400: loss = 101819664.0
step = 4600: loss = 136486208.0
step = 4800: loss = 133454864.0
step = 5000: loss = 592934784.0
step = 5000: Average Return = 71.5999984741211
step = 5200: loss = 216909120.0
step = 5400: loss = 181369648.0
step = 5600: loss = 600455680.0
step = 5800: loss = 551183744.0
step = 6000: loss = 368749824.0
step = 6000: Average Return = 83.5
step = 6200: loss = 1010418176.0
step = 6400: loss = 171257856.0
step = 6600: loss = 115424904.0
step = 6800: loss = 144941152.0
step = 7000: loss = 257932752.0
step = 7000: Average Return = 107.0
step = 7200: loss = 854109248.0
step = 7400: loss = 95970128.0
step = 7600: loss = 325583744.0
step = 7800: loss = 858134016.0
step = 8000: loss = 197960128.0
step = 8000: Average Return = 124.19999694824219
step = 8200: loss = 310187552.0
step = 8400: loss = 572293760.0
step = 8600: loss = 2338323456.0
step = 8800: loss = 384659392.0
step = 9000: loss = 676924544.0
step = 9000: Average Return = 200.0
step = 9200: loss = 946199168.0
step = 9400: loss = 605189504.0
step = 9600: loss = 768988928.0
step = 9800: loss = 508231776.0
step = 10000: loss = 526518016.0
step = 10000: Average Return = 200.0
step = 10200: loss = 1461528704.0
step = 10400: loss = 709822016.0
step = 10600: loss = 2770553344.0
step = 10800: loss = 496421504.0
step = 11000: loss = 1822116864.0
step = 11000: Average Return = 200.0
step = 11200: loss = 744854208.0
step = 11400: loss = 778800384.0
step = 11600: loss = 667049216.0
step = 11800: loss = 586587648.0
step = 12000: loss = 2586833920.0
step = 12000: Average Return = 200.0
step = 12200: loss = 1002041472.0
step = 12400: loss = 1526919552.0
step = 12600: loss = 1670877056.0
step = 12800: loss = 1857608704.0
step = 13000: loss = 1040727936.0
step = 13000: Average Return = 200.0
step = 13200: loss = 1807798656.0
step = 13400: loss = 1457996544.0
step = 13600: loss = 1322671616.0
step = 13800: loss = 22940983296.0
step = 14000: loss = 1556422912.0
step = 14000: Average Return = 200.0
step = 14200: loss = 2488473600.0
step = 14400: loss = 46558289920.0
step = 14600: loss = 1958968960.0
step = 14800: loss = 4677744640.0
step = 15000: loss = 1648418304.0
step = 15000: Average Return = 200.0
step = 15200: loss = 46132723712.0
step = 15400: loss = 2189093888.0
step = 15600: loss = 1204941056.0
step = 15800: loss = 1578462080.0
step = 16000: loss = 1695949312.0
step = 16000: Average Return = 200.0
step = 16200: loss = 19554553856.0
step = 16400: loss = 2857277184.0
step = 16600: loss = 5782225408.0
step = 16800: loss = 2294467072.0
step = 17000: loss = 2397877248.0
step = 17000: Average Return = 200.0
step = 17200: loss = 2910329088.0
step = 17400: loss = 6317301760.0
step = 17600: loss = 2733602048.0
step = 17800: loss = 32502740992.0
step = 18000: loss = 6295858688.0
step = 18000: Average Return = 200.0
step = 18200: loss = 2564860160.0
step = 18400: loss = 76450430976.0
step = 18600: loss = 6347636736.0
step = 18800: loss = 6258629632.0
step = 19000: loss = 8091572224.0
step = 19000: Average Return = 200.0
step = 19200: loss = 3860335616.0
step = 19400: loss = 3552561152.0
step = 19600: loss = 4175943424.0
step = 19800: loss = 5975838720.0
step = 20000: loss = 4709884928.0
step = 20000: Average Return = 200.0

ভিজ্যুয়ালাইজেশন

প্লট

ব্যবহারের matplotlib.pyplot কিভাবে নীতি প্রশিক্ষণের সময় উন্নত চার্ট করতে।

এক পুনরাবৃত্তির Cartpole-v0 200 সময় ধাপ রয়েছে। পরিবেশের একটি পুরস্কার দেয় +1 প্রতিটি ধাপের জন্য মেরু থাকার বিষয়টি মতেই আপ, তাই এক পর্বের জন্য সর্বোচ্চ রিটার্ন 200. চার্ট শো আগমন যে সর্বাধিক প্রতি প্রতিবার এটি প্রশিক্ষণের সময় মূল্যায়ন করা হয় বৃদ্ধি হয়। (এটি একটু অস্থির হতে পারে এবং প্রতিবার একঘেয়ে বাড়বে না।)

iterations = range(0, num_iterations + 1, eval_interval)
plt.plot(iterations, returns)
plt.ylabel('Average Return')
plt.xlabel('Iterations')
plt.ylim(top=250)

(40.82000160217285, 250.0)

png

ভিডিও

চার্ট সুন্দর. কিন্তু আরও উত্তেজনাপূর্ণ হল একজন এজেন্টকে আসলে একটি পরিবেশে একটি কাজ সম্পাদন করা।

প্রথমে, নোটবুকে ভিডিও এম্বেড করার জন্য একটি ফাংশন তৈরি করুন।

def embed_mp4(filename):
  """Embeds an mp4 file in the notebook."""
  video = open(filename,'rb').read()
  b64 = base64.b64encode(video)
  tag = '''
  <video width="640" height="480" controls>
    <source src="data:video/mp4;base64,{0}" type="video/mp4">
  Your browser does not support the video tag.
  </video>'''.format(b64.decode())

  return IPython.display.HTML(tag)

এখন এজেন্টের সাথে কার্টপোল গেমের কয়েকটি পর্বের মাধ্যমে পুনরাবৃত্তি করুন। অন্তর্নিহিত পাইথন পরিবেশ (এক "ভিতরে" TensorFlow পরিবেশ মোড়কের) একটি উপলব্ধ render() পদ্ধতি, যা পরিবেশ রাষ্ট্র একটি চিত্র আউটপুট। এগুলি একটি ভিডিওতে সংগ্রহ করা যেতে পারে।

def create_policy_eval_video(policy, filename, num_episodes=5, fps=30):
  filename = filename + ".mp4"
  with imageio.get_writer(filename, fps=fps) as video:
    for _ in range(num_episodes):
      time_step = eval_env.reset()
      video.append_data(eval_py_env.render())
      while not time_step.is_last():
        action_step = policy.action(time_step)
        time_step = eval_env.step(action_step.action)
        video.append_data(eval_py_env.render())
  return embed_mp4(filename)

create_policy_eval_video(agent.policy, "trained-agent")

WARNING:root:IMAGEIO FFMPEG_WRITER WARNING: input image is not divisible by macro_block_size=16, resizing from (400, 600) to (400, 608) to ensure video compatibility with most codecs and players. To prevent resizing, make your input image divisible by the macro_block_size or set the macro_block_size to None (risking incompatibility). You may also see a FFMPEG warning concerning speedloss due to data not being aligned.
[swscaler @ 0x55d99fdf83c0] Warning: data is not aligned! This can lead to a speed loss

মজার জন্য, প্রশিক্ষিত এজেন্টকে (উপরের) এলোমেলোভাবে চলা এজেন্টের সাথে তুলনা করুন। (এটি ভাল করে না।)

create_policy_eval_video(random_policy, "random-agent")

WARNING:root:IMAGEIO FFMPEG_WRITER WARNING: input image is not divisible by macro_block_size=16, resizing from (400, 600) to (400, 608) to ensure video compatibility with most codecs and players. To prevent resizing, make your input image divisible by the macro_block_size or set the macro_block_size to None (risking incompatibility). You may also see a FFMPEG warning concerning speedloss due to data not being aligned.
[swscaler @ 0x55ffa7fe73c0] Warning: data is not aligned! This can lead to a speed loss