5

我在自定义环境中使用 RLLib 的 PPOTrainer，我执行trainer.train()了两次，第一次成功完成，但是当我第二次执行它时，它崩溃并出现错误：

lib/python3.7/site-packages/tensorflow_core/python/client/session.py”，第 1384 行，在 _do_call (pid=15248) raise type(e)(node_def, op, message) (pid=15248)

tensorflow.python.framework.errors_impl.InvalidArgumentError：

收到标签值 5，它超出了 [0, 5) 的有效范围。>标签值：5 5

(pid=15248) [[node default_policy/SparseSoftmaxCrossEntropyWithLogits/SparseSoftmaxCrossEntropyWithLogits（定义在/tensorflow_core/python/framework/ops.py:1751）]]

这是我的代码：

主文件

ModelCatalog.register_custom_preprocessor("tree_obs_prep", TreeObsPreprocessor)
ray.init()

trainer = PPOTrainer(env=MyEnv, config={
    "train_batch_size": 4000,
    "model": {
        "custom_preprocessor": "tree_obs_prep"
    }
})

for i in range(2):
    print(trainer.train())

我的环境.py

class MyEnv(rllib.env.MultiAgentEnv):
    def __init__(self, env_config):
        self.n_agents = 2

        self.env = *CREATES ENV*
        self.action_space = gym.spaces.Discrete(5)
        self.observation_space = np.zeros((1, 12))

    def reset(self):
        self.agents_done = []
        obs = self.env.reset()
        return obs[0]

    def step(self, action_dict):
        obs, rewards, dones, infos = self.env.step(action_dict)

        d = dict()
        r = dict()
        o = dict()
        i = dict()
        for i_agent in range(len(self.env.agents)):
            if i_agent not in self.agents_done:
                o[i_agent] = obs[i_agent]
                r[i_agent] = rewards[i_agent]
                d[i_agent] = dones[i_agent]
                i[i_agent] = infos[i)agent]
        d['__all__'] = dones['__all__']

        for agent, done in dones.items():
            if done and agent != '__all__':
                self.agents_done.append(agent)

        return  o, r, d, i

我不知道是什么问题，有什么建议吗？这个错误是什么意思？

4

1 回答 1

3

这条评论真的帮助了我：

FWIW，我认为如果 NaN 出现在策略输出中，可能会发生此类问题。发生这种情况时，您可能会出现超出范围的错误。

通常是由于观察或奖励以某种方式变成了 NaN，尽管也可能是政策分歧。

就我而言，我不得不修改我的观察结果，因为代理无法学习策略，并且在训练中的某个时间点（随机时间步长）返回的操作是NaN.

于 2020-01-17T20:21:00.550 回答