问题描述
我想在训练期间使用 ray 训练的策略进行一些基准比较,每隔几次训练迭代。为此,我想使用给定的种子创建 env
的给定实例,然后使用每个基准和光线运行一个剧集。总之,伪代码如下所示:
for i in range(n):
s = env.reset(seed_number=n)
while True:
a = alg.agent.get_action(s)
ns,r,d,_ = env.step(a)
save_state(s,a,d)
if d:
break
其中 alg
在 [ray,random,heuristic1,heuristic2]
中。
我的问题是我如何为此使用调用当前策略?我假设 agent.compute_action(s)
这样做。如果是这样,问题将是它如何处理随机性?例如,如果算法是DQN,它是否使用epsilon=0
?它在 A2C
等基于策略梯度的算法中是如何工作的?
解决方法
暂无找到可以解决该程序问题的有效方法,小编努力寻找整理中!
如果你已经找到好的解决方法,欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@)