问题描述
我已经建立了一个健身房定制env和与虚拟随机测试剂是：到目前为止好，会发生什么情况正确地按照我的游戏规则
简而言之，我目前的空间是：
action_space = Multidiscrete([6,60,1122])
observation_space = Box(low=0,high=1122,shape=(1182,),dtype=np.float32)
请注意，最初我想要以下观察空间：
observation_space = Dict({
'list1' : Box(low=0,high=6,shape=(1,1122),dtype=np.uint32),'list2' : Box(low=0,60),dtype=np.int32)
})
...但由于没有稳定的基线可以处理快译通空间，我只好来连接两个列表，并使用一箱同时服用最高尺度。
然后我试图从稳定的基线3.我训练它上百万步（约1000万）训练PPO代理并测试它的环境：训练有素的代理人始终以相同的（傻）动作并没有任何反应。我重复与A2C剂和同样的事情发生。
我是新来的机器学习，所以我现在有点失落，需要一些方向前进：
- 问题是否来自我的观察和/或动作空间？我需要正常化？
- 是培训方式太短的空间大小？
- 该问题是否由超参数来？
因为我是一个相当长的时间后卡住使得环境...感谢任何意见，欢迎！
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@）