Ray rllib 自定义训练过程

问题描述

我想细化算法的步骤： 默认情况下，操作选择为：

a = argmax Q(f(s),a; teta)

然后计算从旧状态到新状态的转换。 然后将旧状态、动作、奖励和新状态存储在缓冲区中。

我想更改 get 操作函数并使其看起来像这样：

while not condition:
    action = policy.compute_action(obs)
    new_obs,rew,done,info = env.step(action)
    
    if condition:
        break
    obs = new_obs

replay_buffer.add(obs,action,new_obs,done)
obs = new_obs

如何自定义？

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@）