वातावरण

TensorFlow.org पर देखें Google Colab में चलाएं GitHub पर स्रोत देखें नोटबुक डाउनलोड करें

परिचय

रीइन्फोर्समेंट लर्निंग (आरएल) का लक्ष्य ऐसे एजेंटों को डिजाइन करना है जो पर्यावरण के साथ बातचीत करके सीखते हैं। मानक आरएल सेटिंग में, एजेंट हर समय कदम पर एक अवलोकन प्राप्त करता है और एक कार्रवाई चुनता है। कार्रवाई पर्यावरण पर लागू होती है और पर्यावरण एक पुरस्कार और एक नया अवलोकन देता है। एजेंट पुरस्कारों के योग को अधिकतम करने के लिए कार्रवाइयों को चुनने के लिए एक नीति तैयार करता है, जिसे रिटर्न भी कहा जाता है।

TF-Agents में, वातावरण को Python या TensorFlow में लागू किया जा सकता है। पायथन वातावरण आमतौर पर लागू करना, समझना और डिबग करना आसान होता है, लेकिन TensorFlow वातावरण अधिक कुशल होते हैं और प्राकृतिक समानांतरकरण की अनुमति देते हैं। सबसे आम वर्कफ़्लो पायथन में एक वातावरण को लागू करना है और इसे स्वचालित रूप से TensorFlow में बदलने के लिए हमारे एक रैपर का उपयोग करना है।

आइए पहले पायथन के वातावरण को देखें। TensorFlow वातावरण एक बहुत ही समान API का अनुसरण करता है।

सेट अप

यदि आपने अभी तक tf-एजेंट या जिम स्थापित नहीं किया है, तो दौड़ें:

pip install -q tf-agents
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

import abc
import tensorflow as tf
import numpy as np

from tf_agents.environments import py_environment
from tf_agents.environments import tf_environment
from tf_agents.environments import tf_py_environment
from tf_agents.environments import utils
from tf_agents.specs import array_spec
from tf_agents.environments import wrappers
from tf_agents.environments import suite_gym
from tf_agents.trajectories import time_step as ts

tf.compat.v1.enable_v2_behavior()

पायथन वातावरण

पायथन वातावरण में एक step(action) -> next_time_step विधि है जो पर्यावरण पर एक क्रिया लागू करती है, और अगले चरण के बारे में निम्नलिखित जानकारी लौटाती है:

  1. observation : यह पर्यावरण की स्थिति का वह हिस्सा है जिसे एजेंट अगले चरण में अपने कार्यों को चुनने के लिए देख सकता है।
  2. reward : एजेंट कई चरणों में इन पुरस्कारों के योग को अधिकतम करना सीख रहा है।
  3. step_type : पर्यावरण के साथ बातचीत आमतौर पर एक अनुक्रम/एपिसोड का हिस्सा होती है। उदाहरण के लिए शतरंज के खेल में कई चालें। step_type यह इंगित करने के लिए FIRST , MID या LAST हो सकता है कि यह समय चरण अनुक्रम में पहला, मध्यवर्ती या अंतिम चरण है या नहीं।
  4. discount : यह एक फ्लोट है जो यह दर्शाता है कि अगली बार कदम पर इनाम को वर्तमान समय के कदम पर इनाम के सापेक्ष कितना वजन करना है।

इन्हें एक नामित टपल TimeStep(step_type, reward, discount, observation) में बांटा गया है।

इंटरफ़ेस जिसे सभी पायथन वातावरणों को लागू करना चाहिए, वह environments/py_environment.PyEnvironment । मुख्य तरीके हैं:

class PyEnvironment(object):

  def reset(self):
    """Return initial_time_step."""
    self._current_time_step = self._reset()
    return self._current_time_step

  def step(self, action):
    """Apply action and return new time_step."""
    if self._current_time_step is None:
        return self.reset()
    self._current_time_step = self._step(action)
    return self._current_time_step

  def current_time_step(self):
    return self._current_time_step

  def time_step_spec(self):
    """Return time_step_spec."""

  @abc.abstractmethod
  def observation_spec(self):
    """Return observation_spec."""

  @abc.abstractmethod
  def action_spec(self):
    """Return action_spec."""

  @abc.abstractmethod
  def _reset(self):
    """Return initial_time_step."""

  @abc.abstractmethod
  def _step(self, action):
    """Apply action and return new time_step."""

step() विधि के अलावा, वातावरण एक reset() विधि भी प्रदान करता है जो एक नया अनुक्रम शुरू करता है और एक प्रारंभिक TimeStep प्रदान करता है। reset विधि को स्पष्ट रूप से कॉल करना आवश्यक नहीं है। हम मानते हैं कि परिवेश स्वचालित रूप से रीसेट हो जाता है, या तो जब वे किसी एपिसोड के अंत तक पहुंच जाते हैं या जब चरण () को पहली बार कहा जाता है।

ध्यान दें कि उपवर्ग सीधे step() या reset() को लागू नहीं करते हैं। वे इसके बजाय _step() और _reset() विधियों को ओवरराइड करते हैं। इन विधियों से लौटाए गए समय चरणों को कैश किया जाएगा और current_time_step() माध्यम से उजागर किया जाएगा।

observation_spec और action_spec तरीकों में से एक घोंसला वापसी (Bounded)ArraySpecs कि क्रमशः नाम, आकार, डेटाप्रकार और टिप्पणियों और कार्यों की सीमाओं का वर्णन।

TF-Agents में हम बार-बार घोंसलों का उल्लेख करते हैं जिन्हें सूचियों, टुपल्स, नामित-टुपल्स, या शब्दकोशों से बनी संरचना जैसी किसी भी पेड़ के रूप में परिभाषित किया जाता है। टिप्पणियों और कार्यों की संरचना को बनाए रखने के लिए इन्हें मनमाने ढंग से बनाया जा सकता है। हमने पाया है कि यह अधिक जटिल वातावरण के लिए बहुत उपयोगी है जहां आपके पास कई अवलोकन और कार्य हैं।

मानक वातावरण का उपयोग करना

TF एजेंटों के पास OpenAI जिम, डीपमाइंड-कंट्रोल और अटारी जैसे कई मानक वातावरणों के लिए अंतर्निहित रैपर हैं, ताकि वे हमारे py_environment.PyEnvironment इंटरफ़ेस का अनुसरण करें। इन लिपटे हुए वातावरण को हमारे पर्यावरण सूट का उपयोग करके आसानी से लोड किया जा सकता है। आइए OpenAI जिम से CartPole के वातावरण को लोड करें और क्रिया और time_step_spec को देखें।

environment = suite_gym.load('CartPole-v0')
print('action_spec:', environment.action_spec())
print('time_step_spec.observation:', environment.time_step_spec().observation)
print('time_step_spec.step_type:', environment.time_step_spec().step_type)
print('time_step_spec.discount:', environment.time_step_spec().discount)
print('time_step_spec.reward:', environment.time_step_spec().reward)
action_spec: BoundedArraySpec(shape=(), dtype=dtype('int64'), name='action', minimum=0, maximum=1)
time_step_spec.observation: BoundedArraySpec(shape=(4,), dtype=dtype('float32'), name='observation', minimum=[-4.8000002e+00 -3.4028235e+38 -4.1887903e-01 -3.4028235e+38], maximum=[4.8000002e+00 3.4028235e+38 4.1887903e-01 3.4028235e+38])
time_step_spec.step_type: ArraySpec(shape=(), dtype=dtype('int32'), name='step_type')
time_step_spec.discount: BoundedArraySpec(shape=(), dtype=dtype('float32'), name='discount', minimum=0.0, maximum=1.0)
time_step_spec.reward: ArraySpec(shape=(), dtype=dtype('float32'), name='reward')

तो हम देखते हैं कि पर्यावरण [0, 1] में int64 प्रकार की क्रियाओं की अपेक्षा करता है और TimeSteps लौटाता है जहां अवलोकन लंबाई 4 के float32 वेक्टर होते हैं और छूट कारक [0.0, 1.0] में float32 होता है। अब, आइए पूरे प्रकरण के लिए एक निश्चित क्रिया (1,) करने का प्रयास करें।

action = np.array(1, dtype=np.int32)
time_step = environment.reset()
print(time_step)
while not time_step.is_last():
  time_step = environment.step(action)
  print(time_step)
TimeStep(step_type=array(0, dtype=int32), reward=array(0., dtype=float32), discount=array(1., dtype=float32), observation=array([ 0.01285449,  0.04769544,  0.01983412, -0.00245379], dtype=float32))
TimeStep(step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32), observation=array([ 0.0138084 ,  0.24252741,  0.01978504, -0.2888134 ], dtype=float32))
TimeStep(step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32), observation=array([ 0.01865895,  0.43736172,  0.01400878, -0.57519126], dtype=float32))
TimeStep(step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32), observation=array([ 0.02740618,  0.6322845 ,  0.00250495, -0.8634283 ], dtype=float32))
TimeStep(step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32), observation=array([ 0.04005187,  0.82737225, -0.01476362, -1.1553226 ], dtype=float32))
TimeStep(step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32), observation=array([ 0.05659932,  1.0226836 , -0.03787007, -1.452598  ], dtype=float32))
TimeStep(step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32), observation=array([ 0.07705299,  1.2182497 , -0.06692202, -1.7568679 ], dtype=float32))
TimeStep(step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32), observation=array([ 0.10141798,  1.4140631 , -0.10205939, -2.069591  ], dtype=float32))
TimeStep(step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32), observation=array([ 0.12969925,  1.6100639 , -0.1434512 , -2.3920157 ], dtype=float32))
TimeStep(step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32), observation=array([ 0.16190052,  1.8061239 , -0.19129153, -2.725115  ], dtype=float32))
TimeStep(step_type=array(2, dtype=int32), reward=array(1., dtype=float32), discount=array(0., dtype=float32), observation=array([ 0.198023  ,  2.002027  , -0.24579382, -3.0695074 ], dtype=float32))
0

अपना खुद का पायथन पर्यावरण बनाना

कई ग्राहकों के लिए, एक सामान्य उपयोग मामला TF-Agents में उनकी समस्या के लिए एक मानक एजेंट (एजेंट/ देखें) को लागू करना है। ऐसा करने के लिए, उन्हें अपनी समस्या को पर्यावरण के रूप में तैयार करना होगा। तो आइए देखें कि पायथन में पर्यावरण को कैसे लागू किया जाए।

मान लें कि हम एक एजेंट को निम्नलिखित (ब्लैक जैक प्रेरित) कार्ड गेम खेलने के लिए प्रशिक्षित करना चाहते हैं:

  1. खेल 1...10 क्रमांकित ताश के पत्तों के एक अनंत डेक का उपयोग करके खेला जाता है।
  2. हर मोड़ पर एजेंट 2 काम कर सकता है: एक नया रैंडम कार्ड प्राप्त करें, या वर्तमान दौर को रोकें।
  3. लक्ष्य यह है कि राउंड के अंत में अपने कार्डों का योग जितना संभव हो उतना करीब 21 प्राप्त करें, बिना आगे बढ़े।

खेल का प्रतिनिधित्व करने वाला एक वातावरण इस तरह दिख सकता है:

  1. क्रियाएँ: हमारे पास 2 क्रियाएँ हैं। क्रिया ०: एक नया कार्ड प्राप्त करें, और क्रिया १: वर्तमान दौर को समाप्त करें।
  2. अवलोकन: वर्तमान दौर में कार्डों का योग।
  3. इनाम: लक्ष्य बिना आगे बढ़े 21 के करीब पहुंचना है, इसलिए हम राउंड के अंत में निम्नलिखित इनाम का उपयोग करके इसे प्राप्त कर सकते हैं: sum_of_cards - 21 अगर sum_of_cards <= 21, और -21
class CardGameEnv(py_environment.PyEnvironment):

  def __init__(self):
    self._action_spec = array_spec.BoundedArraySpec(
        shape=(), dtype=np.int32, minimum=0, maximum=1, name='action')
    self._observation_spec = array_spec.BoundedArraySpec(
        shape=(1,), dtype=np.int32, minimum=0, name='observation')
    self._state = 0
    self._episode_ended = False

  def action_spec(self):
    return self._action_spec

  def observation_spec(self):
    return self._observation_spec

  def _reset(self):
    self._state = 0
    self._episode_ended = False
    return ts.restart(np.array([self._state], dtype=np.int32))

  def _step(self, action):

    if self._episode_ended:
      # The last action ended the episode. Ignore the current action and start
      # a new episode.
      return self.reset()

    # Make sure episodes don't go on forever.
    if action == 1:
      self._episode_ended = True
    elif action == 0:
      new_card = np.random.randint(1, 11)
      self._state += new_card
    else:
      raise ValueError('`action` should be 0 or 1.')

    if self._episode_ended or self._state >= 21:
      reward = self._state - 21 if self._state <= 21 else -21
      return ts.termination(np.array([self._state], dtype=np.int32), reward)
    else:
      return ts.transition(
          np.array([self._state], dtype=np.int32), reward=0.0, discount=1.0)

आइए सुनिश्चित करें कि हमने उपरोक्त वातावरण को परिभाषित करते हुए सब कुछ सही ढंग से किया है। अपना स्वयं का वातावरण बनाते समय आपको यह सुनिश्चित करना चाहिए कि उत्पन्न किए गए अवलोकन और समय_चरण आपके विनिर्देशों में परिभाषित सही आकार और प्रकारों का पालन करते हैं। इनका उपयोग TensorFlow ग्राफ़ उत्पन्न करने के लिए किया जाता है और इस तरह अगर हम उन्हें गलत पाते हैं तो डिबग करने के लिए कठिन समस्याएँ पैदा कर सकते हैं।

हमारे पर्यावरण को मान्य करने के लिए हम कार्रवाई उत्पन्न करने के लिए एक यादृच्छिक नीति का उपयोग करेंगे और हम यह सुनिश्चित करने के लिए 5 एपिसोड से अधिक पुनरावृति करेंगे कि चीजें इरादे के अनुसार काम कर रही हैं। यदि हमें एक टाइम_स्टेप प्राप्त होता है जो पर्यावरण विनिर्देशों का पालन नहीं करता है, तो एक त्रुटि उत्पन्न होती है।

environment = CardGameEnv()
utils.validate_py_environment(environment, episodes=5)

अब जबकि हम जानते हैं कि परिवेश अपेक्षित रूप से कार्य कर रहा है, आइए इस परिवेश को एक निश्चित नीति का उपयोग करके चलाते हैं: 3 कार्ड मांगें और फिर राउंड समाप्त करें।

get_new_card_action = np.array(0, dtype=np.int32)
end_round_action = np.array(1, dtype=np.int32)

environment = CardGameEnv()
time_step = environment.reset()
print(time_step)
cumulative_reward = time_step.reward

for _ in range(3):
  time_step = environment.step(get_new_card_action)
  print(time_step)
  cumulative_reward += time_step.reward

time_step = environment.step(end_round_action)
print(time_step)
cumulative_reward += time_step.reward
print('Final Reward = ', cumulative_reward)
TimeStep(step_type=array(0, dtype=int32), reward=array(0., dtype=float32), discount=array(1., dtype=float32), observation=array([0], dtype=int32))
TimeStep(step_type=array(1, dtype=int32), reward=array(0., dtype=float32), discount=array(1., dtype=float32), observation=array([2], dtype=int32))
TimeStep(step_type=array(1, dtype=int32), reward=array(0., dtype=float32), discount=array(1., dtype=float32), observation=array([7], dtype=int32))
TimeStep(step_type=array(1, dtype=int32), reward=array(0., dtype=float32), discount=array(1., dtype=float32), observation=array([8], dtype=int32))
TimeStep(step_type=array(2, dtype=int32), reward=array(-13., dtype=float32), discount=array(0., dtype=float32), observation=array([8], dtype=int32))
Final Reward =  -13.0

पर्यावरण रैपर

एक पर्यावरण आवरण एक पायथन वातावरण लेता है और पर्यावरण का एक संशोधित संस्करण देता है। मूल वातावरण और संशोधित वातावरण दोनों py_environment.PyEnvironment उदाहरण हैं, और कई रैपरों को एक साथ जंजीर में बांधा जा सकता है।

कुछ सामान्य रैपर environments/wrappers.py में पाए जा सकते हैं। उदाहरण के लिए:

  1. ActionDiscretizeWrapper : एक सतत क्रिया स्थान को एक असतत क्रिया स्थान में परिवर्तित करता है।
  2. RunStats : पर्यावरण के रन आँकड़े कैप्चर करता है जैसे कि उठाए गए कदमों की संख्या, पूरे किए गए एपिसोड की संख्या आदि।
  3. TimeLimit : निश्चित चरणों के बाद एपिसोड को समाप्त करता है।

उदाहरण 1: एक्शन डिस्क्रीटाइज़ रैपर

InvertedPendulum एक PyBullet वातावरण है जो [-2, 2] की सीमा में निरंतर क्रियाओं को स्वीकार करता है। यदि हम इस वातावरण पर डीक्यूएन जैसे असतत एक्शन एजेंट को प्रशिक्षित करना चाहते हैं, तो हमें एक्शन स्पेस को अलग करना (मात्राबद्ध) करना होगा। यह वही है जो ActionDiscretizeWrapper करता है। action_spec से पहले और बाद में action_spec तुलना करें:

env = suite_gym.load('Pendulum-v0')
print('Action Spec:', env.action_spec())

discrete_action_env = wrappers.ActionDiscretizeWrapper(env, num_actions=5)
print('Discretized Action Spec:', discrete_action_env.action_spec())
Action Spec: BoundedArraySpec(shape=(1,), dtype=dtype('float32'), name='action', minimum=-2.0, maximum=2.0)
Discretized Action Spec: BoundedArraySpec(shape=(), dtype=dtype('int32'), name='action', minimum=0, maximum=4)

लपेटा हुआ discrete_action_env py_environment.PyEnvironment का एक उदाहरण है और इसे नियमित पायथन पर्यावरण की तरह माना जा सकता है।

TensorFlow वातावरण

TF वातावरण के लिए इंटरफ़ेस को environments/tf_environment.TFEnvironment में परिभाषित किया गया environments/tf_environment.TFEnvironment और यह Python परिवेशों के समान दिखता है। TF वातावरण कुछ तरीकों से Python envs से भिन्न होता है:

  • वे सरणियों के बजाय टेंसर ऑब्जेक्ट उत्पन्न करते हैं
  • TF वातावरण स्पेक्स की तुलना में उत्पन्न टेंसर में बैच आयाम जोड़ता है।

पायथन वातावरण को TFEnvs में परिवर्तित करने से टेंसरफ़्लो को संचालन को समानांतर करने की अनुमति मिलती है। उदाहरण के लिए, एक एक निर्धारित कर सकते हैं collect_experience_op कि पर्यावरण से एकत्र डेटा और एक करने के लिए कहते हैं replay_buffer , और एक train_op कि से पढ़ता replay_buffer और एजेंट गाड़ियों, और TensorFlow में स्वाभाविक रूप से समानांतर में उन्हें चलाने के।

class TFEnvironment(object):

  def time_step_spec(self):
    """Describes the `TimeStep` tensors returned by `step()`."""

  def observation_spec(self):
    """Defines the `TensorSpec` of observations provided by the environment."""

  def action_spec(self):
    """Describes the TensorSpecs of the action expected by `step(action)`."""

  def reset(self):
    """Returns the current `TimeStep` after resetting the Environment."""
    return self._reset()

  def current_time_step(self):
    """Returns the current `TimeStep`."""
    return self._current_time_step()

  def step(self, action):
    """Applies the action and returns the new `TimeStep`."""
    return self._step(action)

  @abc.abstractmethod
  def _reset(self):
    """Returns the current `TimeStep` after resetting the Environment."""

  @abc.abstractmethod
  def _current_time_step(self):
    """Returns the current `TimeStep`."""

  @abc.abstractmethod
  def _step(self, action):
    """Applies the action and returns the new `TimeStep`."""

current_time_step() विधि वर्तमान time_step लौटाती है और यदि आवश्यक हो तो परिवेश को प्रारंभ करती है।

reset() विधि वातावरण में रीसेट को बाध्य करती है और current_step लौटाती है।

यदि action पिछले time_step पर निर्भर नहीं करती है तो Graph मोड में tf.control_dependency की आवश्यकता होती है।

अभी के लिए, आइए देखें कि TFEnvironments कैसे TFEnvironments जाते हैं।

अपना खुद का TensorFlow परिवेश बनाना

यह पायथन में वातावरण बनाने की तुलना में अधिक जटिल है, इसलिए हम इसे इस कोलाब में शामिल नहीं करेंगे। एक उदाहरण यहां उपलब्ध है । पायथन में अपने पर्यावरण को लागू करने और इसे हमारे TFPyEnvironment आवरण (नीचे देखें) का उपयोग करके TensorFlow में लपेटने के लिए अधिक सामान्य उपयोग का मामला है।

TensorFlow में एक पायथन पर्यावरण लपेटना

हम TFPyEnvironment रैपर का उपयोग करके किसी भी पायथन वातावरण को आसानी से TensorFlow वातावरण में लपेट सकते हैं।

env = suite_gym.load('CartPole-v0')
tf_env = tf_py_environment.TFPyEnvironment(env)

print(isinstance(tf_env, tf_environment.TFEnvironment))
print("TimeStep Specs:", tf_env.time_step_spec())
print("Action Specs:", tf_env.action_spec())
True
TimeStep Specs: TimeStep(step_type=TensorSpec(shape=(), dtype=tf.int32, name='step_type'), reward=TensorSpec(shape=(), dtype=tf.float32, name='reward'), discount=BoundedTensorSpec(shape=(), dtype=tf.float32, name='discount', minimum=array(0., dtype=float32), maximum=array(1., dtype=float32)), observation=BoundedTensorSpec(shape=(4,), dtype=tf.float32, name='observation', minimum=array([-4.8000002e+00, -3.4028235e+38, -4.1887903e-01, -3.4028235e+38],
      dtype=float32), maximum=array([4.8000002e+00, 3.4028235e+38, 4.1887903e-01, 3.4028235e+38],
      dtype=float32)))
Action Specs: BoundedTensorSpec(shape=(), dtype=tf.int64, name='action', minimum=array(0), maximum=array(1))

ध्यान दें कि चश्मा अब प्रकार के हैं: (Bounded)TensorSpec

उपयोग उदाहरण

सरल उदाहरण

env = suite_gym.load('CartPole-v0')

tf_env = tf_py_environment.TFPyEnvironment(env)
# reset() creates the initial time_step after resetting the environment.
time_step = tf_env.reset()
num_steps = 3
transitions = []
reward = 0
for i in range(num_steps):
  action = tf.constant([i % 2])
  # applies the action and returns the new TimeStep.
  next_time_step = tf_env.step(action)
  transitions.append([time_step, action, next_time_step])
  reward += next_time_step.reward
  time_step = next_time_step

np_transitions = tf.nest.map_structure(lambda x: x.numpy(), transitions)
print('\n'.join(map(str, np_transitions)))
print('Total reward:', reward.numpy())
[TimeStep(step_type=array([0], dtype=int32), reward=array([0.], dtype=float32), discount=array([1.], dtype=float32), observation=array([[-0.03501577, -0.04957427,  0.00623939,  0.03762257]],
      dtype=float32)), array([0], dtype=int32), TimeStep(step_type=array([1], dtype=int32), reward=array([1.], dtype=float32), discount=array([1.], dtype=float32), observation=array([[-0.03600726, -0.24478514,  0.00699184,  0.33226755]],
      dtype=float32))]
[TimeStep(step_type=array([1], dtype=int32), reward=array([1.], dtype=float32), discount=array([1.], dtype=float32), observation=array([[-0.03600726, -0.24478514,  0.00699184,  0.33226755]],
      dtype=float32)), array([1], dtype=int32), TimeStep(step_type=array([1], dtype=int32), reward=array([1.], dtype=float32), discount=array([1.], dtype=float32), observation=array([[-0.04090296, -0.0497634 ,  0.01363719,  0.04179767]],
      dtype=float32))]
[TimeStep(step_type=array([1], dtype=int32), reward=array([1.], dtype=float32), discount=array([1.], dtype=float32), observation=array([[-0.04090296, -0.0497634 ,  0.01363719,  0.04179767]],
      dtype=float32)), array([0], dtype=int32), TimeStep(step_type=array([1], dtype=int32), reward=array([1.], dtype=float32), discount=array([1.], dtype=float32), observation=array([[-0.04189822, -0.24507822,  0.01447314,  0.33875188]],
      dtype=float32))]
Total reward: [3.]

पूरे एपिसोड

env = suite_gym.load('CartPole-v0')
tf_env = tf_py_environment.TFPyEnvironment(env)

time_step = tf_env.reset()
rewards = []
steps = []
num_episodes = 5

for _ in range(num_episodes):
  episode_reward = 0
  episode_steps = 0
  while not time_step.is_last():
    action = tf.random.uniform([1], 0, 2, dtype=tf.int32)
    time_step = tf_env.step(action)
    episode_steps += 1
    episode_reward += time_step.reward.numpy()
  rewards.append(episode_reward)
  steps.append(episode_steps)
  time_step = tf_env.reset()

num_steps = np.sum(steps)
avg_length = np.mean(steps)
avg_reward = np.mean(rewards)

print('num_episodes:', num_episodes, 'num_steps:', num_steps)
print('avg_length', avg_length, 'avg_reward:', avg_reward)
num_episodes: 5 num_steps: 138
avg_length 27.6 avg_reward: 27.6