tensorflow - 如何使用经过训练的 RL 模型进行预测？

Question

我想使用我训练有素的 RL 模型进行离散测试预测。

这是模型的构建方式：

model = Sequential()
model.add(Dense(60, activation='relu', input_shape=states))
model.add(Dense(60, activation='relu', input_shape=states))
model.add(Dense(60, activation='relu', input_shape=states))
model.add(Dense(actions, activation='linear'))

动作空间是一个离散值。观察空间是一个简单的浮点值：

self.action_space = Discrete(len(ACTION_MAP))
observation_high = np.finfo(np.float32).max
self.observation_space = Box(low=np.array([-observation_high]), high=np.array([observation_high]))

测试功能运行良好：

scores = dqn.test(env, nb_episodes=1, visualize=False, verbose=1, callbacks=[CustomCallback()])

但是当我这样做时：

print(dqn.model.predict_step([30]))

我收到此错误：

ValueError：密集层的输入0与层不兼容：：预期的min_ndim = 2，发现ndim = 0。收到的完整形状：（）

它是做出预测的正确方法吗？输入数据应该是什么样的？

Answer 1

解决方案：

model = keras.models.load_model('models/130000/')
pf = model.predict(sample_to_predict)
best_action = np.argmax(pf[0])