Pytorch 提供了一个在 OpenAI 健身房环境中使用 actor-critic 玩 Cartpole 的好例子。
我对https://github.com/pytorch/examples/blob/master/reinforcement_learning/actor_critic.py#L67-L79中的代码片段中的几个方程感到困惑:
saved_actions = model.saved_actions
value_loss = 0
rewards = []
for r in model.rewards[::-1]:
R = r + args.gamma * R
rewards.insert(0, R)
rewards = torch.Tensor(rewards)
rewards = (rewards - rewards.mean()) / (rewards.std() + np.finfo(np.float32).eps)
for (action, value), r in zip(saved_actions, rewards):
action.reinforce(r - value.data.squeeze())
value_loss += F.smooth_l1_loss(value, Variable(torch.Tensor([r])))
optimizer.zero_grad()
final_nodes = [value_loss] + list(map(lambda p: p.action, saved_actions))
gradients = [torch.ones(1)] + [None] * len(saved_actions)
autograd.backward(final_nodes, gradients)
optimizer.step()
在这种情况下 r 和 value 是什么意思?为什么他们在行动空间上运行 REINFORCE,奖励等于 r - 值?他们为什么要尝试设置该值以使其与 r 匹配?
谢谢你的帮助!