В настоящее время я использую код из базовых линий OpenAI для обучения модели, используя следующий код в моем train.py:
from baselines.common import tf_util as U
import tensorflow as tf
import gym, logging
from visak_dartdeepmimic import VisakDartDeepMimicArgParse
def train(env, initial_params_path,
save_interval, out_prefix, num_timesteps, num_cpus):
from baselines.ppo1 import mlp_policy, pposgd_simple
sess = U.make_session(num_cpu=num_cpus).__enter__()
U.initialize()
def policy_fn(name, ob_space, ac_space):
print("Policy with name: ", name)
policy = mlp_policy.MlpPolicy(name=name, ob_space=ob_space, ac_space=ac_space,
hid_size=64, num_hid_layers=2)
saver = tf.train.Saver()
if initial_params_path is not None:
print("Tried to restore from ", initial_params_path)
saver.restore(tf.get_default_session(), initial_params_path)
return policy
def callback_fn(local_vars, global_vars):
iters = local_vars["iters_so_far"]
saver = tf.train.Saver()
if iters % save_interval == 0:
saver.save(sess, out_prefix + str(iters))
pposgd_simple.learn(env, policy_fn,
max_timesteps=num_timesteps,
callback=callback_fn,
timesteps_per_actorbatch=2048,
clip_param=0.2, entcoeff=0.0,
optim_epochs=10, optim_stepsize=3e-4, optim_batchsize=64,
gamma=1.0, lam=0.95, schedule='linear',
)
env.close()
, который основан на коде, который сам OpenAI предоставляет в репозитории baselines
Это отлично работает, за исключением того, что я получаю довольно странные кривые обучения, которые, я подозреваю, связаны с некоторыми гиперпараметрами, переданными в функцию learn, которые приводят к снижению производительности / высокой дисперсиипо ходу дела (хотя я не знаю наверняка)
В любом случае, чтобы подтвердить эту гипотезу, я хотел бы переучить модель, ноне с нуля: я хотел бы начать с высокой точки: скажем, итерация 1600, для которой у меня есть сохраненная модель (сохранив ее с saver.save в callback_fn
Так что теперьЯ вызываю функцию train, но на этот раз я предоставляю ей inital_params_path, указывающий на префикс сохранения для итерации 1600. Насколько я понимаю, вызов saver.restore в policy_fn должен восстановить «сброс» модели допорогаЭто было на 1-й версии 1600 (и я подтвердил, что процедура загрузки выполняется с использованием оператора print)
Однако на практике я обнаружил, что почти ничего не загружается.Например, если я получил статистику, такую как
----------------------------------
| EpLenMean | 74.2 |
| EpRewMean | 38.7 |
| EpThisIter | 209 |
| EpisodesSoFar | 662438 |
| TimeElapsed | 2.15e+04 |
| TimestepsSoFar | 26230266 |
| ev_tdlam_before | 0.95 |
| loss_ent | 2.7640965 |
| loss_kl | 0.09064759 |
| loss_pol_entpen | 0.0 |
| loss_pol_surr | -0.048767302 |
| loss_vf_loss | 3.8620138 |
----------------------------------
для итерации 1600, то для итерации 1 нового испытания (якобы используя параметры 1600 в качестве отправной точки), я получаю что-то вроде
----------------------------------
| EpLenMean | 2.12 |
| EpRewMean | 0.486 |
| EpThisIter | 7676 |
| EpisodesSoFar | 7676 |
| TimeElapsed | 12.3 |
| TimestepsSoFar | 16381 |
| ev_tdlam_before | -4.47 |
| loss_ent | 45.355236 |
| loss_kl | 0.016298374 |
| loss_pol_entpen | 0.0 |
| loss_pol_surr | -0.039200217 |
| loss_vf_loss | 0.043219414 |
----------------------------------
, который возвращается на круги своя (это где-то там, где мои модели обучаются с нуля)
Самое смешное, что я знаю, что модель, по крайней мере, сохраняется должным образом, поскольку я могу фактически воспроизвести ее, используяeval.py
from baselines.common import tf_util as U
from baselines.ppo1 import mlp_policy, pposgd_simple
import numpy as np
import tensorflow as tf
class PolicyLoaderAgent(object):
"""The world's simplest agent!"""
def __init__(self, param_path, obs_space, action_space):
self.action_space = action_space
self.actor = mlp_policy.MlpPolicy("pi", obs_space, action_space,
hid_size = 64, num_hid_layers=2)
U.initialize()
saver = tf.train.Saver()
saver.restore(tf.get_default_session(), param_path)
def act(self, observation, reward, done):
action2, unknown = self.actor.act(False, observation)
return action2
if __name__ == "__main__":
parser = VisakDartDeepMimicArgParse()
parser.add_argument("--params-prefix", required=True, type=str)
args = parser.parse_args()
env = parser.get_env()
U.make_session(num_cpu=1).__enter__()
U.initialize()
agent = PolicyLoaderAgent(args.params_prefix, env.observation_space, env.action_space)
while True:
ob = env.reset(0, pos_stdv=0, vel_stdv=0)
done = False
while not done:
action = agent.act(ob, reward, done)
ob, reward, done, _ = env.step(action)
env.render()
и я ясно вижу, что это чему-то научилось по сравнению с неподготовленным базовым уровнем.Действие загрузки одинаково для обоих файлов (точнее, если там есть ошибка, то я не могу ее найти), поэтому мне представляется вероятным, что train.py правильно загружает модель, а затем, из-за чего-то вpposdg_simple.learn Функция , быстро забывает об этом.
Может ли кто-нибудь пролить свет на эту ситуацию?