Обучение усилению - VPG: неверный индекс для скалярной переменной Ошибка индекса - PullRequest
Новая
       10

Обучение усилению - VPG: неверный индекс для скалярной переменной Ошибка индекса

0 голосов
/ 14 апреля 2019

Я пытаюсь запустить алгоритм градиента ванильной политики и создать среду Open AI "CartPole-v1".

Код для алгоритма приведен ниже и работает без ошибок. Блокнот Jupyer для этого кода можно найти здесь . 

en%pylab inline
import tensorflow as tf
import tensorflow.keras.backend as K
import numpy as np
import gym
from tqdm import trange
from tensorflow.keras.models import Model
from tensorflow.keras.optimizers import Adam, SGD
from tensorflow.keras.layers import *

env = gym.make("CartPole-v1")
env.observation_space, env.action_space

x = in1 = Input(env.observation_space.shape)
x = Dense(32)(x)
x = Activation('tanh')(x)
x = Dense(env.action_space.n)(x)
x = Lambda(lambda x: tf.nn.log_softmax(x, axis=-1))(x)
m = Model(in1, x)
def loss(y_true, y_pred):
  # y_pred is the log probs of the actions
  # y_true is the action mask weighted by sum of rewards
  return -tf.reduce_sum(y_true*y_pred, axis=-1)
m.compile(Adam(1e-2), loss)
m.summary()
lll = []

# this is like 5x faster than calling m.predict and picking in numpy
pf = K.function(m.layers[0].input, tf.random.categorical(m.layers[-1].output, 1)[0])

tt = trange(40)
for epoch in tt:
  X,Y = [], []
  ll = []
  while len(X) < 8192:
    obs = env.reset()
    acts, rews = [], []
    while True:
      # pick action
      #act_dist = np.exp(m.predict_on_batch(obs[None])[0])
      #act = np.random.choice(range(env.action_space.n), p=act_dist)

      # pick action (fast!)
      act = pf(obs[None])[0]

      # save this state action pair
      X.append(np.copy(obs))
      acts.append(act)

      # take the action
      obs, rew, done, _ = env.step(act)
      rews.append(rew)

      if done:
        for i, act in enumerate(acts):
          act_mask = np.zeros((env.action_space.n))
          act_mask[act] = np.sum(rews[i:])
          Y.append(act_mask)
        ll.append(np.sum(rews))
        break

  loss = m.train_on_batch(np.array(X), np.array(Y))
  lll.append((np.mean(ll), loss))
  tt.set_description("ep_rew:%7.2f    loss:%7.2f" % lll[-1])
  tt.refresh()

plot([x[0] for x in lll], label="Mean Episode Reward")
plot([x[1] for x in lll], label="Epoch Loss")
plt.legend()

enter image description here

Когда я пытаюсь визуализировать окружение, я получаю IndexError: 

obs = env.reset()
rews = []
while True:
  env.render()
  pred, act = [x[0] for x in pf(obs[None])]
  obs, rew, done, _ = env.step(np.argmax(pred))
  rews.append(rew)
  time.sleep(0.05)
  if done:
    break
print("ran %d steps, got %f reward" % (len(rews), np.sum(rews)))

дюйм (.0) 3 пока верно: 4 env.render () ----> 5 пред., Act = [x [0] для x в pf (obs [None])] 6 obs, rew, done, _ = env.step (np.argmax (pred)) 7 rews.append (rew)

IndexError: недопустимый индекс для скалярной переменной.

Я читал, что это происходит, когда вы пытаетесь проиндексировать numpy скаляр, такой как numpy.int64 или numpy.float64, однако я не уверен, откуда возникла ошибка и как мне следует решить эту проблему. Будем благодарны за любую помощь или предложения.

1 Ответ

2 голосов
/ 15 апреля 2019

Похоже, вы могли изменить способ работы pf, но забыли обновить код рендеринга.

Попробуйте это (я не проверял): 

  act, = pf(obs[None])  # same as pf(obs[None])[0] but asserts shape
  obs, rew, done, _ = env.step(act)

Это выберет действие случайным образом, как во время тренировки - если вы хотите жадное действие, вам нужно изменить еще несколько вещей.

...