Навчання з різницею в часі

Reinforcement Learning з Gymnasium у Python

Fouad Trad

Machine Learning Engineer

TD проти Монте-Карло

 

Навчання TD
  • Безмодельне
  • Оцінює Q-таблицю за взаємодією
  • Оновлює Q-таблицю на кожному кроці епізоду
  • Підходить для довгих/невизначених епізодів

 

Монте-Карло
  • Безмодельний
  • Оцінює Q-таблицю за взаємодією
  • Оновлює Q-таблицю після завершення щонайменше одного епізоду
  • Підходить для коротких епізодичних задач
Reinforcement Learning з Gymnasium у Python

TD як прогноз погоди

Зображення різної погоди в різний час в одному місці.

Reinforcement Learning з Gymnasium у Python

SARSA

  • Алгоритм TD
  • Метод on-policy: коригує стратегію за виконаними діями

Зображення, що показує, що SARSA означає поточний стан, виконану дію, отриману винагороду, спостережений наступний стан і наступну дію.

Reinforcement Learning з Gymnasium у Python

Правило оновлення SARSA

Зображення з математичною формулою правила оновлення SARSA.

  • $\alpha$: швидкість навчання
  • $\gamma$: коефіцієнт дисконтування
  • Обидва між 0 і 1
Reinforcement Learning з Gymnasium у Python

Frozen Lake

Зображення середовища Frozen Lake

Reinforcement Learning з Gymnasium у Python

Ініціалізація

env = gym.make("FrozenLake", is_slippery=False)


num_states = env.observation_space.n
num_actions = env.action_space.n


Q = np.zeros((num_states, num_actions))


alpha = 0.1
gamma = 1
num_episodes = 1000
Reinforcement Learning з Gymnasium у Python

Цикл SARSA

for episode in range(num_episodes):

    state, info = env.reset()
    action = env.action_space.sample()

    terminated = False
    while not terminated:
        next_state, reward, terminated, truncated, info = env.step(action)

        next_action = env.action_space.sample()

        update_q_table(state, action, reward, next_state, next_action)

        state, action = next_state, next_action
Reinforcement Learning з Gymnasium у Python

Оновлення SARSA

def update_q_table(state, action, reward, next_state, next_action):

    old_value = Q[state, action]

    next_value = Q[next_state, next_action]

    Q[state, action] = (1 - alpha) * old_value + alpha * (reward + gamma * next_value)

  Зображення з математичною формулою правила оновлення SARSA.

Reinforcement Learning з Gymnasium у Python

Виведення оптимальної політики

policy = get_policy()
print(policy)

{ 0: 1,  1: 2,  2: 1,  3: 0, 
  4: 1,  5: 0,  6: 1,  7: 0, 
  8: 2,  9: 1, 10: 1, 11: 0, 
 12: 0, 13: 2, 14: 2, 15: 0}

Зображення оптимальної політики в середовищі frozen lake зі стрілками дій; видно, як агент уникає провалів.

Reinforcement Learning з Gymnasium у Python

Давайте потренуємось!

Reinforcement Learning з Gymnasium у Python

Preparing Video For Download...