rlACAgent
行动者-批评家强化学习代理
描述
行为者-批评(AC)代理实现行为者-批评算法，如A2C和A3C，这是无模型的、在线的、基于政策的强化学习方法。行动者-评论家代理直接优化策略(行动者)，并使用评论家来估计回报或未来的回报。动作空间可以是离散的，也可以是连续的。
有关更多信息，请参见Actor-Critic代理．有关不同类型的强化学习代理的更多信息，请参见强化学习代理．
创建
语法
描述
从观察和操作规范中创建代理
代理= rlACAgent (observationInfo，actionInfo）observationInfo以及动作规范actionInfo．
代理= rlACAgent (observationInfo，actionInfo，initOpts）initOpts对象。行动者-评论家代理不支持递归神经网络。金宝app有关初始化选项的更多信息，请参见rlAgentInitializationOptions．
指定代理选项
代理= rlACAgent (＿＿＿，agentOptions）agentOptions输入参数。在前面语法中的任何输入参数之后使用此语法。
输入参数
属性
对象的功能
例子
从观察和行动规范创建离散的演员-评论家代理
创造一个具有离散动作空间的环境，并获得其观察和动作规范。对于本示例，请加载示例中使用的环境使用深度网络设计器创建代理和使用图像观察训练．这个环境有两个观测值:一个50乘50的灰度图像和一个标量(钟摆的角速度)。这个动作是一个标量，有五个可能的元素(一个扭矩是-2， -1，0，1,或2Nm适用于摆动杆)。
加载预定义环境env = rlPredefinedEnv (“SimplePendulumWithImage-Discrete”）;%获得观察和行动规范obsInfo = getObservationInfo (env);actInfo = getActionInfo (env);
代理创建函数随机初始化参与者和批评者网络。您可以通过固定随机生成器的种子来确保重现性。为此，取消下面一行的注释。
% rng (0)
根据环境观察和行动规范创建一个演员-评论家代理。
代理= rlACAgent (obsInfo actInfo);
要检查你的代理，使用getAction从随机观察中返回动作。
getAction(代理,{兰特(obsInfo (1) .Dimension),兰德(obsInfo (2) .Dimension)})
ans =1 x1单元阵列{[2]}
现在可以在环境中测试和培训代理。
使用初始化选项创建连续的参与者-评论家代理
创造一个具有连续动作空间的环境，并获得其观察和动作规范。对于本示例，请加载示例中使用的环境用图像观察训练DDPG Agent上摆和平衡摆．这个环境有两个观测值:一个50乘50的灰度图像和一个标量(钟摆的角速度)。这个作用是一个标量，表示从-连续范围的扭矩2来2Nm。
加载预定义环境env = rlPredefinedEnv (“SimplePendulumWithImage-Continuous”）;%获得观察和行动规范obsInfo = getObservationInfo (env);actInfo = getActionInfo (env);
创建一个代理初始化选项对象，指定网络中每个隐藏的完全连接层必须具有128神经元(而不是默认的数字，256）.行动者-评论家代理不支持循环网络，所以设置金宝appUseRNN选项真正的在创建代理时生成错误。
initOpts = rlAgentInitializationOptions (“NumHiddenUnit”, 128);
代理创建函数随机初始化参与者和批评者网络。您可以通过固定随机生成器的种子来确保重现性。为此，取消下面一行的注释。
% rng (0)
根据环境观察和行动规范创建一个演员-评论家代理。
代理= rlACAgent (obsInfo actInfo initOpts);
将批判学习率降低到1e-3。
评论家= getCritic(代理);critic.Options.LearnRate = 1 e - 3;代理= setCritic(代理、批评);
从主体、行动者和批评者中提取深度神经网络。
actorNet = getModel (getActor(代理));criticNet = getModel (getCritic(代理));
显示批评网络的各层，并验证每个隐藏的全连接层有128个神经元
criticNet。层
ans = 11x1图层数组:1“input_1”图像输入50 x50x1图片2 conv_1卷积64 3 x3x1旋转步[1]和填充[0 0 0 0]3‘relu_input_1 ReLU ReLU 4 fc_1完全连接128完全连接层5“input_2”功能输入1功能6 fc_2完全连接128完全连接层7的concat串联连接2输入dimension 1 8 'relu_body' ReLU ReLU 9 'fc_body' Fully Connected 128 Fully Connected layer 10 'body_output' ReLU ReLU 11 'output' Fully Connected 1 Fully Connected layer
情节演员和评论家网络
情节(layerGraph (actorNet))
情节(layerGraph (criticNet))
要检查你的代理，使用getAction从随机观察中返回动作。
getAction(代理,{兰特(obsInfo (1) .Dimension),兰德(obsInfo (2) .Dimension)})
ans =1 x1单元阵列{[0.9228]}
现在可以在环境中测试和培训代理。
从演员和评论家中创建离散的演员-评论家代理
创造一个具有离散动作空间的环境，并获得其观察和动作规范。对于本示例，请加载示例中使用的环境培训DQN员工平衡车杆系统．这个环境有一个四维的观测向量(车的位置和速度、极角和极角导数)，以及一个具有两个可能元素的标量作用(一个力是-)10或+10N应用在推车上)。
加载预定义环境env = rlPredefinedEnv (“CartPole-Discrete”）;获得观察规范obsInfo = getObservationInfo (env)
obsInfo = rlNumericSpec带有属性:LowerLimit: -Inf UpperLimit: Inf Name: "CartPole States" Description: "x, dx, theta, dtheta" Dimension: [4 1] DataType: "double"
获得动作规格actInfo = getActionInfo (env)
属性:Elements: [-10 10] Name: "CartPole Action" Description: [0x0 string] Dimension: [1 1] DataType: "double"
代理创建函数随机初始化参与者和批评者网络。您可以通过固定随机生成器的种子来确保重现性。为此，取消下面一行的注释。
% rng (0)
创建一个评论家表示。
%在批评家中创建网络作为近似器使用%必须有一个4维输入(4个观测值)和一个标量输出(值)[imageInputLayer([4 1 1]，])，“归一化”，“没有”，“名字”，“状态”) fullyConnectedLayer (1,“名字”，“CriticFC”));为评论家设置选项criticOpts = rlRepresentationOptions (“LearnRate”, 8 e - 3,“GradientThreshold”1);%创建批评者(参与者-批评者代理使用值函数表示)评论家= rlValueRepresentation (criticNetwork obsInfo,“观察”，{“状态”}, criticOpts);
创建一个参与者表示。
在参与者中创建要用作近似器的网络%必须有4维输入和2维输出(动作)[imageInputLayer([4 1 1]，])，“归一化”，“没有”，“名字”，“状态”) fullyConnectedLayer (2“名字”，“行动”));为actor设置选项actorOpts = rlRepresentationOptions (“LearnRate”, 8 e - 3,“GradientThreshold”1);%创建行动者(行动者-评论家行动者使用随机行动者表示)演员= rlStochasticActorRepresentation (actorNetwork obsInfo actInfo,．..“观察”，{“状态”}, actorOpts);
指定代理选项，并使用actor、评论家和代理选项对象创建AC代理。
agentOpts = rlACAgentOptions (“NumStepsToLookAhead”32岁的“DiscountFactor”, 0.99);代理= rlACAgent(演员、评论家、agentOpts)
agent = rlACAgent with properties: AgentOptions: [1x1 rl.option.rlACAgentOptions]
要检查你的代理，使用getAction从随机观察中返回动作。
getAction(代理,{兰德(4,1)})
ans =1 x1单元阵列{[-10]}
现在可以在环境中测试和培训代理。
从演员和评论家中创建连续的演员-评论家代理
创造一个具有连续动作空间的环境，并获得其观察和动作规范。对于本例，加载本例中使用的双积分器连续动作空间环境培训DDPG Agent控制双积分系统．
加载预定义环境env = rlPredefinedEnv (“DoubleIntegrator-Continuous”）;获得观察规范obsInfo = getObservationInfo (env)
obsInfo = rlNumericSpec with properties: LowerLimit: -Inf UpperLimit: Inf Name: "states" Description: "x, dx" Dimension: [2 1] DataType: "double"
获得动作规格actInfo = getActionInfo (env)
属性:LowerLimit: -Inf UpperLimit: Inf Name: "force" Description: [0x0 string] Dimension: [1 1] DataType: "double"
在本例中，动作是一个标量输入，表示范围为-的力2来2因此，相应地设定动作信号的上下限是个好主意。当参与者的网络表示具有非线性输出层，需要相应地进行缩放以产生期望范围内的输出时，就必须这样做。
%确保动作空间的上限和下限是有限的actInfo.LowerLimit = 2;actInfo.UpperLimit = 2;
演员和评论家网络是随机初始化的。您可以通过固定随机生成器的种子来确保重现性。为此，取消下面一行的注释。
% rng (0)
创建一个评论家表示。演员-评论家代理使用rlValueRepresentation评论家。对于连续观测空间，可以使用深度神经网络或自定义基表示。对于本例，创建一个深度神经网络作为底层近似器。
%在批评家中创建网络作为近似器使用它必须以观测信号为输入，并产生一个标量值[errorcode] [errorcode]错误码尺寸1],“归一化”，“没有”，“名字”，“状态”) fullyConnectedLayer (10“名字”，“fc_in”) reluLayer (“名字”，“relu”) fullyConnectedLayer (1,“名字”，“出”));为评论家设置一些训练选项criticOpts = rlRepresentationOptions (“LearnRate”, 8 e - 3,“GradientThreshold”1);%从网络中创建批评家表示评论家= rlValueRepresentation (criticNet obsInfo,“观察”，{“状态”}, criticOpts);
演员-评论家代理使用rlStochasticActorRepresentation．对于在连续动作空间中操作的随机参与者，只能使用深度神经网络作为潜在的近似器。
观察输入(这里称为myobs)必须接受二维向量，如obsInfo．输出(这里称为myact)也必须是一个二维向量(是actInfo）.输出向量的元素依次表示每个动作的所有平均值和所有标准偏差(在本例中，只有一个平均值和一个标准偏差)。
事实上，标准差必须是非负的，而平均值必须落在输出范围内，这意味着网络必须有两个独立的路径。第一个路径是针对平均值的，任何输出非线性必须进行缩放，以便它能在输出范围内产生输出。第二种方法是标准偏差，必须使用软加或ReLU层来强制非负性。
%输入路径层(2乘1输入和1乘1输出)inPath = [imageInputLayer([obsInfo. inPath])]尺寸1],“归一化”，“没有”，“名字”，“状态”) fullyConnectedLayer (10“名字”，“ip_fc”）% 10 × 1输出reluLayer (“名字”，“ip_relu”）%非线性fullyConnectedLayer (1,“名字”，“ip_out”));% 1乘1输出%路径层的平均值(1乘1输入和1乘1输出)%使用scalingLayer缩放范围meanPath = [fulllyconnectedlayer (15，“名字”，“mp_fc1”）% 15 × 1输出reluLayer (“名字”，“mp_relu”）%非线性fullyConnectedLayer (1,“名字”，“mp_fc2”）;% 1乘1输出tanhLayer (“名字”，的双曲正切）;%输出范围:(-1,1)scalingLayer (“名字”，“mp_out”，“规模”actInfo.UpperLimit)];%输出范围:(-2N,2N)%路径层的标准偏差(1 × 1输入和输出)%使用软加层使输出非负sdevPath = [fulllyconnectedlayer (15，“名字”，“vp_fc1”）% 15 × 1输出reluLayer (“名字”，“vp_relu”）%非线性fullyConnectedLayer (1,“名字”，“vp_fc2”）;% 1乘1输出softplusLayer (“名字”，“vp_out”));%输出范围:(0，+Inf)将两个输入(沿维度#3)连接起来，形成单个(2 × 1)输出层支出= concatenationLayer (3 2“名字”，“mean&sdev”）;添加层到layerGraph网络对象actorNet = layerGraph (inPath);actorNet = addLayers (actorNet meanPath);actorNet = addLayers (actorNet sdevPath);actorNet = addLayers (actorNet,支出);连接层:平均值路径输出必须连接到连接层的第一个输入actorNet = connectLayers (actorNet,“ip_out”，“mp_fc1 /”）;%连接inPath的输出到meanPath的输入actorNet = connectLayers (actorNet,“ip_out”，“vp_fc1 /”）;%连接inPath输出到sdevPath输入actorNet = connectLayers (actorNet,“mp_out”，“mean&sdev /三机一体”）;将meanPath的输出连接到mean&sdev输入#1actorNet = connectLayers (actorNet,“vp_out”，“mean&sdev / in2”）;%连接sdevPath的输出到mean&sdev input #2%的阴谋网络情节(actorNet)
为参与者指定一些选项，并使用深度神经网络创建随机参与者表示actorNet．
为演员设置一些训练选项actorOpts = rlRepresentationOptions (“LearnRate”, 8 e - 3,“GradientThreshold”1);使用网络创建参与者演员= rlStochasticActorRepresentation (actorNet obsInfo actInfo,．..“观察”，{“状态”}, actorOpts);
指定代理选项，并使用actor、评论家和代理选项创建AC代理。
agentOpts = rlACAgentOptions (“NumStepsToLookAhead”32岁的“DiscountFactor”, 0.99);代理= rlACAgent(演员、评论家、agentOpts)
agent = rlACAgent with properties: AgentOptions: [1x1 rl.option.rlACAgentOptions]
要检查你的代理，使用getAction从随机观察中返回动作。
getAction(代理,{兰德(2,1)})
ans =1 x1单元阵列{[0.6668]}
现在可以在环境中测试和培训代理。
用递归神经网络建立离散的行为者-批评代理
在本例中，加载用于培训DQN员工平衡车杆系统的例子。
env = rlPredefinedEnv (“CartPole-Discrete”）;
获取观察和行动信息。该环境具有一个四维观测向量(车的位置和速度、极角和极角导数)，以及一个具有两个可能元素的标量作用(对车施加的-10或+10 N的力)。
obsInfo = getObservationInfo (env);actInfo = getActionInfo (env);
代理创建函数随机初始化参与者和批评者网络。您可以通过固定随机生成器的种子来确保重现性。为此，取消下面一行的注释。
% rng (0)
为评论家创建一个递归神经网络，使用sequenceInputLayer作为输入层，并包含lstmLayer作为其他网络层之一。
[sequenceInputLayer(obsInfo.Dimension(1))，“归一化”，“没有”，“名字”，“myobs”) lstmLayer (8,“OutputMode”，“序列”，“名字”，“lstm”) fullyConnectedLayer (1,“名字”，“CriticFC”));
为评论家设置选项并创建评论家表示(参与者-评论家代理使用值函数表示)。
criticOpts = rlRepresentationOptions (“LearnRate”, 8 e - 3,“GradientThreshold”1);评论家= rlValueRepresentation (criticNetwork obsInfo,“观察”，{“myobs”}, criticOpts);
为参与者创建一个神经网络。既然评论家有一个循环网络，那么演员也必须有一个循环网络。
= [sequenceInputLayer(obsInfo.Dimension(1))，“归一化”，“没有”，“名字”，“myobs”) lstmLayer (8,“OutputMode”，“序列”，“名字”，“lstm”) fullyConnectedLayer(元素个数(actInfo.Elements),“名字”，“行动”));
为评论家设置选项并创建演员代表
actorOpts = rlRepresentationOptions (“LearnRate”, 8 e - 3,“GradientThreshold”1);演员= rlStochasticActorRepresentation (actorNetwork obsInfo actInfo,．..“观察”，{“myobs”}, actorOpts);
指定代理选项，并使用actor、评论家和代理选项对象创建AC代理。由于代理使用递归神经网络，NumStepsToLookAhead为训练轨迹长度。
agentOpts = rlACAgentOptions (“NumStepsToLookAhead”32岁的“DiscountFactor”, 0.99);代理= rlACAgent(演员、评论家、agentOpts);
要检查你的代理，使用getAction从随机观察中返回动作。
getAction(代理,{兰德(obsInfo.Dimension)})
ans =1×1单元阵列{[-10]}
现在可以在环境中测试和培训代理。
提示
对于连续的动作空间，
rlACAgent对象不会强制操作规范设置的约束，因此必须在环境中强制操作空间约束。
另请参阅
rlAgentInitializationOptions|rlACAgentOptions|rlStochasticActorRepresentation|rlValueRepresentation|深层网络设计师
你也可以从以下列表中选择一个网站:
