Определите значения действий в керас-рл

Question

У меня есть пользовательская среда в keras-rl со следующими настройками в конструкторе

def __init__(self, data):

    #Declare the episode as the first episode
    self.episode=1

    #Initialize data      
    self.data=data

    #Declare low and high as vectors with -inf values 
    self.low = numpy.array([-numpy.inf])
    self.high = numpy.array([+numpy.inf])

    self.observation_space = spaces.Box(self.low, self.high, dtype=numpy.float32)

    #Define the space of actions as 3 (I want them to be 0, 1 and 2)
    self.action_space = spaces.Discrete(3) 

    self.currentObservation = 0

    self.limit = len(data)      

    #Initiates the values to be returned by the environment
    self.reward = None

Как вы можете видеть, мой агент будет выполнять 3 действия, в зависимости от действия, будет другое вознаграждение вычисляется в шаге функции () ниже:

def step(self, action):

    assert self.action_space.contains(action)

    #Initiates the reward
    self.reward=0

    #get the reward 
    self.possibleGain = self.data.iloc[self.currentObservation]['delta_next_day']

    #If action is 1, calculate the reward 
    if(action == 1):
        self.reward = self.possibleGain-self.operationCost

    #If action is 2, calculate the reward as negative     
    elif(action==2):
        self.reward = (-self.possibleGain)-self.operationCost

    #If action is 0, no reward     
    elif(action==0):
        self.reward = 0

    #Finish episode 
    self.done=True 

    self.episode+=1   
    self.currentObservation+=1

    if(self.currentObservation>=self.limit):
        self.currentObservation=0

    #Return the state, reward and if its done or not
    return self.getObservation(), self.reward, self.done, {}

Проблема в том, что, если я печатаю действия в каждом эпизоде, они равны 0, 2 и 4. Я хочу, чтобы они были равны 0, 1 и 2. Как я могу заставить агента распознавать только эти 3 действия с помощью keras-rl?

Answer 1

Я не уверен, почему self.action_space = spaces.Discrete(3) дает вам действия как 0,2,4, поскольку я не могу воспроизвести вашу ошибку с фрагментом кода, который вы разместили, поэтому я бы предложил следующее для определения вашего действия

self.action_space = gym.spaces.Box(low=np.array([1]),high= np.array([3]), dtype=np.int)

И это то, что я получаю, когда беру образец из пространства действия.

actions= gym.spaces.Box(low=np.array([1]),high= np.array([3]), dtype=np.int)
for i in range(10):
    print(actions.sample())

[1]
[3]
[2]
[2]
[3]
[3]
[1]
[1]
[2]
[3]

Надеюсь, это поможет!