इस पेज का अनुवाद Cloud Translation API से किया गया है.
Switch to English

ड्राइवरों

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

परिचय

सुदृढीकरण सीखने में एक सामान्य पैटर्न निर्दिष्ट चरणों या एपिसोड के लिए एक वातावरण में एक नीति को निष्पादित करना है। यह, उदाहरण के लिए, डेटा संग्रह, मूल्यांकन और एजेंट के वीडियो को बनाने के दौरान होता है।

जबकि यह अजगर में लिखने के लिए अपेक्षाकृत सरल है, यह TensorFlow में लिखना और डिबग करना बहुत अधिक जटिल है क्योंकि इसमें tf.while लूप्स, tf.cond और tf.control_dependencies । इसलिए हम driver नामक एक वर्ग में रन लूप की इस धारणा को अमूर्त करते हैं, और पायथन और टेन्सरफ्लो दोनों में अच्छी तरह से परीक्षण किए गए कार्यान्वयन प्रदान करते हैं।

इसके अतिरिक्त, प्रत्येक चरण में चालक द्वारा सामना किए गए डेटा को ट्रैजेपोरी नामक एक नामांकित टपल में सहेजा जाता है और पुनरावर्तक बफ़र्स और मैट्रिक्स जैसे पर्यवेक्षकों के एक सेट पर प्रसारित किया जाता है। इस डेटा में पर्यावरण से अवलोकन, नीति द्वारा अनुशंसित कार्रवाई, प्राप्त इनाम, वर्तमान का प्रकार और अगला कदम, आदि शामिल हैं।

सेट अप

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

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

import tensorflow as tf


from tf_agents.environments import suite_gym
from tf_agents.environments import tf_py_environment
from tf_agents.policies import random_py_policy
from tf_agents.policies import random_tf_policy
from tf_agents.metrics import py_metrics
from tf_agents.metrics import tf_metrics
from tf_agents.drivers import py_driver
from tf_agents.drivers import dynamic_episode_driver

tf.compat.v1.enable_v2_behavior()

पायथन ड्राइवर्स

PyDriver वर्ग एक पायथन वातावरण, एक पायथन पॉलिसी और प्रत्येक चरण में अपडेट करने के लिए पर्यवेक्षकों की एक सूची लेता है। मुख्य विधि run() , जो नीति से क्रियाओं का उपयोग करते हुए पर्यावरण को max_steps करती है, जब तक कि निम्नलिखित समाप्ति मानदंडों में से कम से कम एक पूरा न हो जाए: चरणों की संख्या max_steps तक पहुँच max_steps या एपिसोड की संख्या max_episodes तक पहुँच max_episodes

कार्यान्वयन लगभग इस प्रकार है:

class PyDriver(object):

  def __init__(self, env, policy, observers, max_steps=1, max_episodes=1):
    self._env = env
    self._policy = policy
    self._observers = observers or []
    self._max_steps = max_steps or np.inf
    self._max_episodes = max_episodes or np.inf

  def run(self, time_step, policy_state=()):
    num_steps = 0
    num_episodes = 0
    while num_steps < self._max_steps and num_episodes < self._max_episodes:

      # Compute an action using the policy for the given time_step
      action_step = self._policy.action(time_step, policy_state)

      # Apply the action to the environment and get the next step
      next_time_step = self._env.step(action_step.action)

      # Package information into a trajectory
      traj = trajectory.Trajectory(
         time_step.step_type,
         time_step.observation,
         action_step.action,
         action_step.info,
         next_time_step.step_type,
         next_time_step.reward,
         next_time_step.discount)

      for observer in self._observers:
        observer(traj)

      # Update statistics to check termination
      num_episodes += np.sum(traj.is_last())
      num_steps += np.sum(~traj.is_boundary())

      time_step = next_time_step
      policy_state = action_step.state

    return time_step, policy_state

अब, कार्टप्ले पर्यावरण पर एक यादृच्छिक नीति चलाने के उदाहरण के माध्यम से चलते हैं, परिणाम को एक रिप्ले बफर में सहेजते हैं और अपने मैट्रिक्स की गणना करते हैं।

env = suite_gym.load('CartPole-v0')
policy = random_py_policy.RandomPyPolicy(time_step_spec=env.time_step_spec(), 
                                         action_spec=env.action_spec())
replay_buffer = []
metric = py_metrics.AverageReturnMetric()
observers = [replay_buffer.append, metric]
driver = py_driver.PyDriver(
    env, policy, observers, max_steps=20, max_episodes=1)

initial_time_step = env.reset()
final_time_step, _ = driver.run(initial_time_step)

print('Replay Buffer:')
for traj in replay_buffer:
  print(traj)

print('Average Return: ', metric.result())
Replay Buffer:
Trajectory(step_type=array(0, dtype=int32), observation=array([-0.00990336, -0.0200395 ,  0.00614474,  0.02728521], dtype=float32), action=array(1), policy_info=(), next_step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32))
Trajectory(step_type=array(1, dtype=int32), observation=array([-0.01030415,  0.1749938 ,  0.00669044, -0.26345268], dtype=float32), action=array(0), policy_info=(), next_step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32))
Trajectory(step_type=array(1, dtype=int32), observation=array([-0.00680427, -0.02022301,  0.00142139,  0.03133296], dtype=float32), action=array(0), policy_info=(), next_step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32))
Trajectory(step_type=array(1, dtype=int32), observation=array([-0.00720873, -0.21536532,  0.00204805,  0.32446402], dtype=float32), action=array(1), policy_info=(), next_step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32))
Trajectory(step_type=array(1, dtype=int32), observation=array([-0.01151604, -0.02027259,  0.00853733,  0.03242766], dtype=float32), action=array(0), policy_info=(), next_step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32))
Trajectory(step_type=array(1, dtype=int32), observation=array([-0.01192149, -0.21551593,  0.00918588,  0.32779193], dtype=float32), action=array(1), policy_info=(), next_step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32))
Trajectory(step_type=array(1, dtype=int32), observation=array([-0.01623181, -0.02052594,  0.01574172,  0.03801991], dtype=float32), action=array(1), policy_info=(), next_step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32))
Trajectory(step_type=array(1, dtype=int32), observation=array([-0.01664233,  0.17436677,  0.01650212, -0.24965507], dtype=float32), action=array(0), policy_info=(), next_step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32))
Trajectory(step_type=array(1, dtype=int32), observation=array([-0.01315499, -0.0209869 ,  0.01150902,  0.04818695], dtype=float32), action=array(0), policy_info=(), next_step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32))
Trajectory(step_type=array(1, dtype=int32), observation=array([-0.01357473, -0.21627198,  0.01247276,  0.34447876], dtype=float32), action=array(1), policy_info=(), next_step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32))
Trajectory(step_type=array(1, dtype=int32), observation=array([-0.01790017, -0.02132966,  0.01936233,  0.05575491], dtype=float32), action=array(0), policy_info=(), next_step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32))
Trajectory(step_type=array(1, dtype=int32), observation=array([-0.01832676, -0.21672381,  0.02047743,  0.35448337], dtype=float32), action=array(1), policy_info=(), next_step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32))
Trajectory(step_type=array(1, dtype=int32), observation=array([-0.02266124, -0.02189892,  0.0275671 ,  0.06832724], dtype=float32), action=array(0), policy_info=(), next_step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32))
Trajectory(step_type=array(1, dtype=int32), observation=array([-0.02309922, -0.21740502,  0.02893364,  0.3695787 ], dtype=float32), action=array(0), policy_info=(), next_step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32))
Trajectory(step_type=array(1, dtype=int32), observation=array([-0.02744732, -0.41292587,  0.03632522,  0.6712425 ], dtype=float32), action=array(1), policy_info=(), next_step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32))
Trajectory(step_type=array(1, dtype=int32), observation=array([-0.03570583, -0.21832724,  0.04975007,  0.39021435], dtype=float32), action=array(1), policy_info=(), next_step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32))
Trajectory(step_type=array(1, dtype=int32), observation=array([-0.04007238, -0.02394538,  0.05755435,  0.11362283], dtype=float32), action=array(0), policy_info=(), next_step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32))
Trajectory(step_type=array(1, dtype=int32), observation=array([-0.04055129, -0.21984278,  0.05982681,  0.42389402], dtype=float32), action=array(0), policy_info=(), next_step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32))
Trajectory(step_type=array(1, dtype=int32), observation=array([-0.04494815, -0.41575894,  0.06830469,  0.7348211 ], dtype=float32), action=array(1), policy_info=(), next_step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32))
Trajectory(step_type=array(1, dtype=int32), observation=array([-0.05326332, -0.22164375,  0.08300111,  0.46439326], dtype=float32), action=array(0), policy_info=(), next_step_type=array(1, dtype=int32), reward=array(1., dtype=float32), discount=array(1., dtype=float32))
Average Return:  0.0

TensorFlow ड्राइवर

हमारे पास TensorFlow में ड्राइवर भी हैं जो कार्यात्मक रूप से Python चालकों के समान हैं, लेकिन TF वातावरण, TF नीतियों, TF पर्यवेक्षकों आदि का उपयोग करते हैं। वर्तमान में हमारे पास 2 TensorFlow ड्राइवर हैं: DynamicStepDriver , जो किसी दिए गए (मान्य) पर्यावरण चरणों और DynamicEpisodeDriver की दी गई संख्या के बाद समाप्त होता है। जो दिए गए एपिसोड के बाद समाप्त हो जाता है। आइए हम कार्रवाई में डायनामिकस्पेस के एक उदाहरण को देखें।

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

tf_policy = random_tf_policy.RandomTFPolicy(action_spec=tf_env.action_spec(),
                                            time_step_spec=tf_env.time_step_spec())


num_episodes = tf_metrics.NumberOfEpisodes()
env_steps = tf_metrics.EnvironmentSteps()
observers = [num_episodes, env_steps]
driver = dynamic_episode_driver.DynamicEpisodeDriver(
    tf_env, tf_policy, observers, num_episodes=2)

# Initial driver.run will reset the environment and initialize the policy.
final_time_step, policy_state = driver.run()

print('final_time_step', final_time_step)
print('Number of Steps: ', env_steps.result().numpy())
print('Number of Episodes: ', num_episodes.result().numpy())
final_time_step TimeStep(step_type=<tf.Tensor: shape=(1,), dtype=int32, numpy=array([0], dtype=int32)>, reward=<tf.Tensor: shape=(1,), dtype=float32, numpy=array([0.], dtype=float32)>, discount=<tf.Tensor: shape=(1,), dtype=float32, numpy=array([1.], dtype=float32)>, observation=<tf.Tensor: shape=(1, 4), dtype=float32, numpy=
array([[ 0.03522634,  0.02645643, -0.03399573,  0.01959801]],
      dtype=float32)>)
Number of Steps:  44
Number of Episodes:  2

# Continue running from previous state
final_time_step, _ = driver.run(final_time_step, policy_state)

print('final_time_step', final_time_step)
print('Number of Steps: ', env_steps.result().numpy())
print('Number of Episodes: ', num_episodes.result().numpy())
final_time_step TimeStep(step_type=<tf.Tensor: shape=(1,), dtype=int32, numpy=array([0], dtype=int32)>, reward=<tf.Tensor: shape=(1,), dtype=float32, numpy=array([0.], dtype=float32)>, discount=<tf.Tensor: shape=(1,), dtype=float32, numpy=array([1.], dtype=float32)>, observation=<tf.Tensor: shape=(1, 4), dtype=float32, numpy=array([[0.03159906, 0.03318344, 0.01724435, 0.01201768]], dtype=float32)>)
Number of Steps:  84
Number of Episodes:  4