在这种前提下,我想实现刚刚问你的计算每个episode的循环中计算KL散度

时间: 2024-04-24 09:26:17 浏览: 10
如果你希望在每个episode的循环中计算KL散度,你可以在每次更新参数之前计算KL散度。以下是修改后的代码: ```python print('PPO2训练中...') actor=Actor() critic=Critic() all_ep_r = [] for episode in range(EP_MAX): observation = env.reset() #环境重置 buffer_s, buffer_a, buffer_r,buffer_a_logp = [], [], [],[] reward_totle=0 kl_divergence=0 for timestep in range(EP_LEN): if RENDER: env.render() action,action_logprob=actor.choose_action(observation) observation_, reward, done, info = env.step(action) buffer_s.append(observation) buffer_a.append(action) buffer_r.append((reward+8)/8) # normalize reward, find to be useful buffer_a_logp.append(action_logprob) observation=observation_ reward_totle+=reward reward = (reward - reward.mean()) / (reward.std() + 1e-5) if (timestep+1) % BATCH == 0 or timestep == EP_LEN-1: v_observation_ = critic.get_v(observation_) discounted_r = [] for r in buffer_r[::-1]: v_observation_ = r + GAMMA * v_observation_ discounted_r.append(v_observation_.detach().numpy()) discounted_r.reverse() bs, ba, br, bap = np.vstack(buffer_s), np.vstack(buffer_a), np.array(discounted_r), np.vstack(buffer_a_logp) buffer_s, buffer_a, buffer_r, buffer_a_logp = [], [], [], [] advantage = critic.learn(bs, br) # critic部分更新 # 在更新参数之前计算KL散度 with torch.no_grad(): new_action_logprob = actor.evaluate_actions(bs, ba) kl_divergence = torch.nn.functional.kl_div(new_action_logprob, bap).mean().item() actor.learn(bs, ba, advantage, bap) # actor部分更新 actor.update_oldpi() # pi-new的参数赋给pi-old if episode == 0: all_ep_r.append(reward_totle) else: all_ep_r.append(all_ep_r[-1] * 0.9 + reward_totle * 0.1) print("\rEp: {} |rewards: {}|kl_divergence: {}".format(episode, reward_totle, kl_divergence), end="") if episode % 50 == 0 and episode > 100: save_data = {'net': actor.old_pi.state_dict(), 'opt': actor.optimizer.state_dict(), 'i': episode} torch.save(save_data, "E:\PPO2_model_actor.pth") save_data = {'net': critic.critic_v.state_dict(), 'opt': critic.optimizer.state_dict(), 'i': episode} torch.save(save_data, "E:\PPO2_model_critic.pth") env.close() plt.plot(np.arange(len(all_ep_r)), all_ep_r) plt.xlabel('Episode') plt.ylabel('Moving averaged episode reward') plt.show() ``` 在修改后的代码中,我们将计算KL散度的部分移到了参数更新之前,在每个batch的循环内进行计算。通过将计算KL散度的代码放在参数更新之前,你可以确保每个episode的循环中都计算了KL散度,并将其打印出来。

相关推荐

最新推荐

recommend-type

防雷及短路计算软件.zip

防雷及短路计算软件
recommend-type

电线穿管选用小软件.zip

电线穿管选用小软件
recommend-type

zigbee-cluster-library-specification

最新的zigbee-cluster-library-specification说明文档。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

实现实时数据湖架构:Kafka与Hive集成

![实现实时数据湖架构:Kafka与Hive集成](https://img-blog.csdnimg.cn/img_convert/10eb2e6972b3b6086286fc64c0b3ee41.jpeg) # 1. 实时数据湖架构概述** 实时数据湖是一种现代数据管理架构,它允许企业以低延迟的方式收集、存储和处理大量数据。与传统数据仓库不同,实时数据湖不依赖于预先定义的模式,而是采用灵活的架构,可以处理各种数据类型和格式。这种架构为企业提供了以下优势: - **实时洞察:**实时数据湖允许企业访问最新的数据,从而做出更明智的决策。 - **数据民主化:**实时数据湖使各种利益相关者都可
recommend-type

用matlab绘制高斯色噪声情况下的频率估计CRLB,其中w(n)是零均值高斯色噪声,w(n)=0.8*w(n-1)+e(n),e(n)服从零均值方差为se的高斯分布

以下是用matlab绘制高斯色噪声情况下频率估计CRLB的代码: ```matlab % 参数设置 N = 100; % 信号长度 se = 0.5; % 噪声方差 w = zeros(N,1); % 高斯色噪声 w(1) = randn(1)*sqrt(se); for n = 2:N w(n) = 0.8*w(n-1) + randn(1)*sqrt(se); end % 计算频率估计CRLB fs = 1; % 采样频率 df = 0.01; % 频率分辨率 f = 0:df:fs/2; % 频率范围 M = length(f); CRLB = zeros(M,1); for
recommend-type

JSBSim Reference Manual

JSBSim参考手册,其中包含JSBSim简介,JSBSim配置文件xml的编写语法,编程手册以及一些应用实例等。其中有部分内容还没有写完,估计有生之年很难看到完整版了,但是内容还是很有参考价值的。
recommend-type

"互动学习:行动中的多样性与论文攻读经历"

多样性她- 事实上SCI NCES你的时间表ECOLEDO C Tora SC和NCESPOUR l’Ingén学习互动,互动学习以行动为中心的强化学习学会互动,互动学习,以行动为中心的强化学习计算机科学博士论文于2021年9月28日在Villeneuve d'Asq公开支持马修·瑟林评审团主席法布里斯·勒菲弗尔阿维尼翁大学教授论文指导奥利维尔·皮耶昆谷歌研究教授:智囊团论文联合主任菲利普·普雷教授,大学。里尔/CRISTAL/因里亚报告员奥利维耶·西格德索邦大学报告员卢多维奇·德诺耶教授,Facebook /索邦大学审查员越南圣迈IMT Atlantic高级讲师邀请弗洛里安·斯特鲁布博士,Deepmind对于那些及时看到自己错误的人...3谢谢你首先,我要感谢我的两位博士生导师Olivier和Philippe。奥利维尔,"站在巨人的肩膀上"这句话对你来说完全有意义了。从科学上讲,你知道在这篇论文的(许多)错误中,你是我可以依
recommend-type

实现实时监控告警系统:Kafka与Grafana整合

![实现实时监控告警系统:Kafka与Grafana整合](https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X2pwZy9BVldpY3ladXVDbEZpY1pLWmw2bUVaWXFUcEdLT1VDdkxRSmQxZXB5R1lxaWNlUjA2c0hFek5Qc3FyRktudFF1VDMxQVl3QTRXV2lhSWFRMEFRc0I1cW1ZOGcvNjQw?x-oss-process=image/format,png) # 1.1 Kafka集群架构 Kafka集群由多个称为代理的服务器组成,这
recommend-type

python中从Excel中取的列没有了0

可能是因为Excel中的列被格式化为数字,而数字前导的0被省略了。可以在Excel中将列的格式更改为文本,这样就会保留数字前导的0。另外,在Python中读取Excel时,可以将列的数据类型指定为字符串,这样就可以保留数字前导的0。例如: ```python import pandas as pd # 读取Excel文件 df = pd.read_excel('data.xlsx', dtype={'列名': str}) # 输出列数据 print(df['列名']) ``` 其中,`dtype={'列名': str}`表示将列名为“列名”的列的数据类型指定为字符串。