365bet平台注册

当前位置:365bet平台注册 > 365bet平台注册 > 学习笔记TF038

学习笔记TF038

来源:http://www.zlzd.net 作者:365bet平台注册 时间:2019-11-30 11:18

Q-Learning,学习Action对应期望值(Expected Utility卡塔尔(قطر‎。一九八两年,沃特kins提出。收敛性,1991年,Watkins和Dayan合营认证。学习期望价值,从当下一步到具有继续手续,总希望得到最大价值(Q值、Value卡塔尔(英语:State of Qatar)。Action->Q函数,最好战术,在各类state下,选取Q值最高的Action。不相信任蒙受模型。有限Marco夫决策进度(Markov Dectision Process卡塔尔国 ,Q-Learning被申明最终得以找到最优政策。

Q-Learning指标,求解函数Q(st,at卡塔尔(英语:State of Qatar),依据当下条件气象,猜想Action期待价值。Q-Learning训练模型,以(状态、行为、表彰、下生机勃勃情景卡塔尔(قطر‎构成元组(st,at,rt+1,st+1卡塔尔国样品锻练,st当前情景,at当前情景下实施action,rt+1实行Action后获取褒奖,st+1下一气象,(当前气象,行动,嘉勉,下生龙活虎景象卡塔尔(قطر‎。特征(st,at卡塔尔(قطر‎。学习目的(期待价值卡塔尔(英语:State of Qatar)rt+1+γ·maxaQ(st+1,a卡塔尔(英语:State of Qatar),当前Action得到Reward,加下一步可获得最大梦想价值,当前事态行动嘉勉,加下风姿浪漫状态行动最大希望价值。学习目的包括Q-Learning函数本人,递归求解。下一步可获最大梦想价值乘γ(衰减周全discount factor卡塔尔(قطر‎,今后奖赏的求学权重。discount factor 0,模型学习不到其余今后表彰新闻,变短视,只关怀日前低价。discount factor >= 1,算法恐怕无法磨灭,期待价值持续抬高未有衰减(discount卡塔尔,期待价值发散。discount factor平时比1稍小。Qnew(st,at卡塔尔国<-(1-α卡塔尔(قطر‎·Qold(st,at卡塔尔(英语:State of Qatar)+α·(rt+1+γ·maxaQ(st+1,a卡塔尔(قطر‎卡塔尔,Q-Learning学习进程式子。旧Q-Learning函数Qold(st,at卡塔尔(قطر‎,向学习指标(当前拿到Reward加下一步可获取最大希望价值卡塔尔国,按异常的小学习速率α学习,获得新Q-Learning函数Qnew(st,at卡塔尔。学习速率决定新获得样板新闻覆盖率前左右到消息比率,日常设超小值,保险学习进度稳固,确认保证最终收敛性。Q-Learning供给起先值Q0,相比较高开端值,慰勉模型多探究。

学习Q-Learning模型用神经网络,获得模型是评估价值互连网。用比较深的神经互联网,正是DQN。GoogleDeepMind,《Nature》杂谈,《Human-level control through deep reinforcement learning》提议。DeepMind用DQN创制达到规定的标准人类行家水平玩Atari2600类别游戏Agent。

state of the art DQN Trick。第三个Trick。DQN引进卷积层。模型通过Atari游戏录像图像明白环境音信并学习计策。DQN必要知道接纳图像,具备图像识别工夫。卷积神经网络,利用可领取空间协会消息卷积层收取特征。卷积层提取图像中器重指标特征传给后层做分类、回归。DQN用卷积层做加强学习演习,依据条件图像输出决策。

其次个Trick。Experience Replay。深度学习需求大批量样板,守旧Q-Learning online update方法(逐黄金时代对新样板学习卡塔尔(قطر‎不相符DQN。增大样板,四个epoch练习,图像屡次使用。Experience Replay,积累Agent Experience样品,每便练习随机收取部分样板供网络学习。稳固产生学习职分,制止短视只学习最新接触样板,综合再三使用过往大量样书学习。创建储存Experience缓存buffer,积攒一定量较新样板。容积满了,用新样板替换最旧样板,保障大多数样板周边可能率被抽到。不替换旧样品,练习进度被抽到概率永世比新样板高比比较多。每趟供给演习样品,间接从buffer随机抽取一定量给DQN练习,保持样品高利用率,让模型学习到较新样品。

其多少个Trick。用第二个DQN互联网协助操练,target DQN,帮助计算指标Q值,提供就学目的公式里的maxaQ(st+1,a卡塔尔(قطر‎。多少个互连网,一个打造学习目的,三个实际上锻炼,让Q-Learning演练目的保持安澜。深化学习 Q-Learning学习指标每一回改动,学习目的根据地是模型自个儿输出,每一回换代模型参数会招致学习目的转移,更新往往幅度大,练习进程会非常不安宁、失控,DQN锻练会深陷指标Q值与瞭望Q值反馈循环(陷入颠簸发散,难消失卡塔尔。供给安静target DQN扶助互连网总计指标Q值。target DQN,低频率、缓慢学习,输出目的Q值波动十分的小,减小训练进度影响。

第2个Trick。Double DQN。DeepMind 《Deep Reinforcement Learning with Double Q-Learning》。古板DQN高估Action Q值,高估不均匀,引致次优Action被高估超过最优Action。target DQN 担负生成指标Q值,先产生Q(st+1,a卡塔尔国,再通过maxa采用最大Q值。Double DQN,在主DQN上经过最大Q值选取Action,再拿到Action在target DQN Q值。主网选取Action,targetDQN生成Action Q值。被采取Q值,不自然总是最大,防止被高估次优Action总是超过最优Action,招致开采不了真正最佳Action。学习目的公式:Target=rt+1+γ·Qtarget(st+1,argmaxa(Qmain(st+1,a卡塔尔(قطر‎卡塔尔国卡塔尔国。

第5个Trick。Dueling DQN。Google 《Dueling Network Architectures for Deep Reinforcement Learning》。Dueling DQN,Q值函数Q(st,at卡塔尔(قطر‎拆分,生机勃勃部分静态蒙受情状有所价值V(st卡塔尔,Value;另生龙活虎有些动态采纳Action额外带来价值A(at卡塔尔(قطر‎,Advantage。公式,Q(st,at卡塔尔(英语:State of Qatar)=V(st卡塔尔国+A(at卡塔尔。网络独家总括情形Value和筛选Action Advantage。Advantage,Action与其余Action相比较,零均值。网络最后,不再直接输出Action数量Q值,输出四个Value,及Action数量 Advantage值。V值分别加到各个Advantage值上,得最终结果。让DQN学习目的更鲜明,借使超越前时期待价值首要由情形气象调控,Value值大,全体Advantage波动非常的小;纵然期待价值主要由Action决定,Value值小,Advantage波动大。分解让学习目的更稳固、精确,DQN对意况气象推断技能越来越强。

完成带Trick DQN。职务景况GridWorld导航类水言纟工。GridWorld富含三个hero,4个goal,2个fire。调节hero移动,每便向上、下、左、右方向活动一步,多触碰goal(奖赏值1卡塔尔,避开fire(奖赏值-1卡塔尔(قطر‎。游戏指标,限度步数内拿到最多分数。Agent 直接通过GridWorld图像学习决定hero移动最优政策。

创造GridWorld职务景况。载入正视库,itertools迭代操作,scipy.misc、matplotlib.pyplot绘图,练习时间长,os准时积攒模型文件。

创制遇到内物体对象class。情状物体属性,coordinates(x,y坐标卡塔尔(英语:State of Qatar)、size(尺寸卡塔尔(英语:State of Qatar)、intensity(亮度值卡塔尔(英语:State of Qatar)、channel(CRUISERGB颜色通道卡塔尔(قطر‎、reward(嘉勉值卡塔尔(英语:State of Qatar)、name(名称卡塔尔国。

开创GridWorld处境class,开头化方法只传入参数蒙受size。意况长、宽为输入size,情况Action Space设4,开头化情状物体对象列表。self.reset(卡塔尔国方法重新设置情况,得到起头observation(GridWorld图像卡塔尔,plt.imshow体现observation。

概念遇到reset方法。创造全数GridWorld物体,1个hero(客商调控指标卡塔尔、4个goal(reward 1卡塔尔、2个fire(reward -1卡塔尔(قطر‎,增添到实体对象列表self.objects。self.newPosition(卡塔尔制造物体地方,随机选择未有被占用新职责。物有物体size、intensity 1,hero channel 2(杏红卡塔尔,goal channel 1(莲红卡塔尔(قطر‎,fire channel 0(赫色卡塔尔。self.renderEnv(卡塔尔(قطر‎绘制GridWorld图像,state。

达成活动英雄剧中人物方法,传入值0、1、2、3八个数字,分别表示上、下、左、右。函数依照输入操作英豪移动。若是移动该方向会促成豪杰出界,不会展开任何活动。

概念newPosition方法,采用一个跟现成物体不冲突地方。itertools.product方法拿到多少个变量全部组成,创立境遇size允许持有职位集合points,获取前段时间具备物体地点集结currentPositions,从points去掉currentPositions,剩下可用地点。np.random.choice随机抽出贰个可用地点重临。

定义checkGoal函数。检查hero是还是不是触碰goal、fire。从objects获取hero,其余实体对象放置others列表。编历others列表,要是物体和坐标与hero完全生龙活虎致,推断触碰。依照触碰物体销毁,self.newPosition(卡塔尔国方法在随便地方再次生成物体,重返物体reward值(goal 1,fire -1卡塔尔。

创建长宛size+2、颜色通道数 3 图片。开始值全1,代表全黄色。最外面内部像素颜色值全体赋0,代表深青莲。遍历物体对象列表self.objects,设置物体亮度值。scipy.misc.imresize将图像从原有大小resize 84x84x3尺寸,符合规律游玩图像尺寸。

概念GridWorld碰着进行一步Action方法。输入参数Action,self.moveChart(action卡塔尔国移动hero地方,self.checkGoal(卡塔尔检查实验hero是不是触碰物体,获得reward、done标识。self.renderEnv获取碰到图像state,重回state、reward、done。

调用gameEnv类开端化方法,设置size 5,创建5x5大小GridWorld蒙受,每回制造GridWorld遭遇随机生成。小尺寸境况相对轻便学习,大尺寸较难,练习时间更加长。

规划DQN(Deep Q-Network卡塔尔国互联网。使用卷积层,能够直接从情状原始像素学习计策。输入scalarInput,扁平化长为84x84x3=21168向量,恢复生机成[-1,84,84,3]尺寸图片ImageIn。tf.contrib.layers.convolution2d开立第4个卷积层,卷积核尺寸8x8,步长4x4,输出通道数(filter数量卡塔尔国32,padding模型VALID,bias带头化器空。用4x4肥瘦和VALID模型padding,第1层卷积输出维度20x20x32。第2层卷积尺寸4x4,步长2x2,输出通道数64,输出维度9x9x64。第3层卷积尺寸3x3,步长1x1,输出通道数64,输出维度7x7x64。第4层卷积尺寸7x7,步长1x1,输出通道数512,空间尺寸只同旨在二个职位卷积,,输出维度1x1x512。

tf.split(卡塔尔国,第四个卷积层输出conv4平均拆分两段,streamAC、streamVC,Dueling DQN Advantage Function(Action带给的价值卡塔尔和Value Function(蒙受本人价值卡塔尔国。tf.split函数第2参数代表要拆分成几段。第3参数代表要拆分多少个维度。tf.contrib.layers.flatten将streamAC和streamVC转遍平的steamA和steamV。创制streamA和streamV线性全连接层参数AW和VW。tf.random_normal初阶化权重,tf.matmul做全连接层矩阵乘法,得到self.Advantage和self.Value。Advantage针对Action,输出数量为Action数量。Value针对境况统生龙活虎的,输出数量 1。Q值由Value、advantage复合成,Value加上减少均值Advantage。Advantage减去均值操作 tf.subtract,均值总括tf.reduce_mean函数(reduce_indices 1,代表Action数量维度卡塔尔。最终输出Action,Q值最大Action,tf.argmax。

概念Double DQN指标Q值targetQ输入placeholder,Agent动作actions输入placeholder。计算目的Q值,action由主DQN选拔,Q值由支持target DQN生成。计算预测Q值,scalar形式actions转onehot编码方式,主DQN生成的Qout乘以actions_onehot,得预测Q值(Qout和actions都来自己作主DQN卡塔尔(قطر‎。

定义loss,tf.square、tf.reduce_mean计算targetQ和Q均方抽样误差,学习速率1e-4 Adam优化器优化预测Q值和对象Q值偏差。

实现Experience Replay策略。定义experience_buffer class。初步化定义buffer_size存款和储蓄样板最大体量,创造buffer列表。定义向经buffer添日成分方法。倘若超过buffer最大体量,清空最初样板,列表末尾增加新成分。定义样板抽样方式,用random.sample(卡塔尔(英语:State of Qatar)函数随机抽出一定数额样板。

概念84x84x3 states扁平化 1维向量函数processState,方便前边堆积样品。

updateTargetGraph函数,更新target DQN模型参数(主DQN用DQN class self.updateModel方法改革模型参数卡塔尔国。输入变量tfVars,TensorFlow Graph全体参数。tau,target DQN向主DQN学习的速率。函数updateTargetGraph取tfVars前八分之四参数,主DQN模型参数。再令协理targetDQN参数朝向主DQN参数前进相当小比例(tau,0.001卡塔尔国,target DQN缓慢学习主DQN。锻练时,指标Q值不能够在四回迭代间波动太大,练习特别不安宁、失控,陷入指标Q值和眺望Q值反馈循环。须要安静指标Q值练习网络,缓慢学习target DQN网络出口指标Q值,主网络优化指标Q值和张望Q值间loss,target DQN跟随主DQN缓慢学习。函数updateTargetGraph创造改过target DQN模型参数操作,函数updateTarget试行操作。

DQN网络训练进程参数。batch_size,每一遍从experience buffer获取样品数,32。更新频率update_freq,每间隔多少step实施二次模型参数更新,4。Q值衰减周全(discount factor卡塔尔(英语:State of Qatar)γ,0.99。startE起初施行随机Action可能率。endE最后实行随机Action可能率。anneling_steps从开端随机概率减低到最后随机可能率所需步数。num_episodes总共多少次GridWorld境遇试验。pre_train_steps正式用DQN选用Action前开展多少步随机Action测量试验。max_epLength每种episode举办多少步Action。load_model是还是不是读取早前训练模型。path模型储存路线。h_size是DQN网络最终全连接层隐含节点数。tau是target DQN向主DQN学习速率。

Qnetwork类早先化mainQN和扶持targetQN。开端化全人体模型型参数。trainables获取具有可练习参数。updateTargetGraph创设改良target DQN模型参数操作。

experience_buffer成立experience replay class,设置当前随机Action可能率e,计算e每一步衰减值stepDrop。起头化积存每一个episode的reward列表rList,总步数total_steps。创立模型练习保存器(Saver卡塔尔检查保存目录是还是不是存在。

创设暗许Session,假诺load_model标识True,检查模型文件路线checkpoint,读取载入已封存模型。施行参数初始化操作,执行更新targetQN模型参数操作。创造GridWorld试验循环,创立种种episode内部experience_buffer,内部buffer不出席当前迭代替练习练,演练只行使早前episode样品。开始化意况得第一个条件信息s,processState(卡塔尔(英语:State of Qatar)函数扁平化。起首化暗中同意done标识d、episode内总reward值rAll、episode内步数j。

开创内层循环,每便迭代推行Action。总步数稍低于pre_train_steps,强制用随机Action,只从随机Action学习,不加剧进度。达到pre_train_steps,保留十分的小可能率随机选拔Action。不随机选拔Action,传入当前状态s给主DQN,预测得到相应实行Action。env.step(卡塔尔实施一步Action,得到接下来事态s1、reward、done标识。processState对s1扁平化管理,s、a、r、s1、d传入episodeBuffer存款和储蓄。

总步数超过pre_train_steps,持续下落随机筛选Action可能率e,直到最低值endE。每当总步数到达update_freq整数部,进行一遍练习,模型参数更新。从myBuffer中sample出三个batch_365bet平台注册,size样品。训练样板第3列消息,下一动静s1,传入mainQN,推行main.predict,得到主模型采取Action。s1传开帮助targetQN,拿到s1状态下有所Action的Q值。mainQN输出Action ,采用targetQN输出Q,获得doubleQ。多少个DQN网络把接收Action和出口Q值八个操作分隔离,Double DQN。练习样品第2列音信,当前reward,加doubleQ乘以衰减周详γ,拿到读书目的targetQ。传入当前状态s,学习指标targetQ和实际应用Action,实行updateTarget函数,实行targetQN模型参数更新(缓慢向mainQN学习卡塔尔(英语:State of Qatar)。完整完毕二次练习进度。各样step甘休,累积当前那步获取reward,更新当前气象为下一步试验做考虑。假设done标志为True,直接中断episode试验。

episode内部episodeBuffer加多到myBuffer,作现在操练抽样数据集。当前episode reward增添到rList。每二十三个episode体现平均reward值。每1000个episode或任何锻炼实现,保存当前模型。

始于200个episode内,完全随机Action的前10000步内,平均能够获得reward在2南隔,功底baseline。

锻炼最终episode输出,平均reward 22,非常的大升高。

测算每九19个episode平均reward,plt.plot显示reward变化趋向。从第1000个episode起始,reward火速升高,到第4000个episode基本达到顶峰,后边进去平台期,提高十分小。

    import numpy as np
    import random
    import tensorflow as tf
    import os
    %matplotlib inline
    from gridworld import gameEnv
    env = gameEnv(size=5)
    class Qnetwork():
        def __init__(self,h_size):
            #The network recieves a frame from the game, flattened into an array.
            #It then resizes it and processes it through four convolutional layers.
            self.scalarInput =  tf.placeholder(shape=[None,21168],dtype=tf.float32)
            self.imageIn = tf.reshape(self.scalarInput,shape=[-1,84,84,3])
            self.conv1 = tf.contrib.layers.convolution2d( 
                inputs=self.imageIn,num_outputs=32,kernel_size=[8,8],stride=[4,4],padding='VALID', biases_initializer=None)
            self.conv2 = tf.contrib.layers.convolution2d( 
                inputs=self.conv1,num_outputs=64,kernel_size=[4,4],stride=[2,2],padding='VALID', biases_initializer=None)
            self.conv3 = tf.contrib.layers.convolution2d( 
                inputs=self.conv2,num_outputs=64,kernel_size=[3,3],stride=[1,1],padding='VALID', biases_initializer=None)
            self.conv4 = tf.contrib.layers.convolution2d( 
                inputs=self.conv3,num_outputs=512,kernel_size=[7,7],stride=[1,1],padding='VALID', biases_initializer=None)

            #We take the output from the final convolutional layer and split it into separate advantage and value streams.
            self.streamAC,self.streamVC = tf.split(self.conv4,2,3)
            self.streamA = tf.contrib.layers.flatten(self.streamAC)
            self.streamV = tf.contrib.layers.flatten(self.streamVC)
            self.AW = tf.Variable(tf.random_normal([h_size//2,env.actions]))
            self.VW = tf.Variable(tf.random_normal([h_size//2,1]))
            self.Advantage = tf.matmul(self.streamA,self.AW)
            self.Value = tf.matmul(self.streamV,self.VW)

            #Then combine them together to get our final Q-values.
            self.Qout = self.Value + tf.subtract(self.Advantage,tf.reduce_mean(self.Advantage,reduction_indices=1,keep_dims=True))
            self.predict = tf.argmax(self.Qout,1)

            #Below we obtain the loss by taking the sum of squares difference between the target and prediction Q values.
            self.targetQ = tf.placeholder(shape=[None],dtype=tf.float32)
            self.actions = tf.placeholder(shape=[None],dtype=tf.int32)
            self.actions_onehot = tf.one_hot(self.actions,env.actions,dtype=tf.float32)

            self.Q = tf.reduce_sum(tf.multiply(self.Qout, self.actions_onehot), reduction_indices=1)

            self.td_error = tf.square(self.targetQ - self.Q)
            self.loss = tf.reduce_mean(self.td_error)
            self.trainer = tf.train.AdamOptimizer(learning_rate=0.0001)
            self.updateModel = self.trainer.minimize(self.loss)

    class experience_buffer():
        def __init__(self, buffer_size = 50000):
            self.buffer = []
            self.buffer_size = buffer_size

        def add(self,experience):
            if len(self.buffer) + len(experience) >= self.buffer_size:
                self.buffer[0:(len(experience)+len(self.buffer))-self.buffer_size] = []
            self.buffer.extend(experience)

        def sample(self,size):
            return np.reshape(np.array(random.sample(self.buffer,size)),[size,5])

    def processState(states):
        return np.reshape(states,[21168])

    def updateTargetGraph(tfVars,tau):
        total_vars = len(tfVars)
        op_holder = []
        for idx,var in enumerate(tfVars[0:total_vars//2]):
            op_holder.append(tfVars[idx+total_vars//2].assign((var.value()*tau) + ((1-tau)*tfVars[idx+total_vars//2].value())))
        return op_holder
    def updateTarget(op_holder,sess):
        for op in op_holder:
            sess.run(op)
    batch_size = 32 #How many experiences to use for each training step.
    update_freq = 4 #How often to perform a training step.
    y = .99 #Discount factor on the target Q-values
    startE = 1 #Starting chance of random action
    endE = 0.1 #Final chance of random action
    anneling_steps = 10000. #How many steps of training to reduce startE to endE.
    num_episodes = 10000#How many episodes of game environment to train network with.
    pre_train_steps = 10000 #How many steps of random actions before training begins.
    max_epLength = 50 #The max allowed length of our episode.
    load_model = False #Whether to load a saved model.
    path = "./dqn" #The path to save our model to.
    h_size = 512 #The size of the final convolutional layer before splitting it into Advantage and Value streams.
    tau = 0.001 #Rate to update target network toward primary network
    tf.reset_default_graph()
    mainQN = Qnetwork(h_size)
    targetQN = Qnetwork(h_size)
    init = tf.global_variables_initializer()
    trainables = tf.trainable_variables()
    targetOps = updateTargetGraph(trainables,tau)
    myBuffer = experience_buffer()
    #Set the rate of random action decrease. 
    e = startE
    stepDrop = (startE - endE)/anneling_steps
    #create lists to contain total rewards and steps per episode
    rList = []
    total_steps = 0
    #Make a path for our model to be saved in.
    saver = tf.train.Saver()
    if not os.path.exists(path):
        os.makedirs(path)
    #%%
    with tf.Session() as sess:
        if load_model == True:
            print('Loading Model...')
            ckpt = tf.train.get_checkpoint_state(path)
            saver.restore(sess,ckpt.model_checkpoint_path)
        sess.run(init)
        updateTarget(targetOps,sess) #Set the target network to be equal to the primary network.
        for i in range(num_episodes+1):
            episodeBuffer = experience_buffer()
            #Reset environment and get first new observation
            s = env.reset()
            s = processState(s)
            d = False
            rAll = 0
            j = 0
            #The Q-Network
            while j < max_epLength: #If the agent takes longer than 200 moves to reach either of the blocks, end the trial.
                j+=1
                #Choose an action by greedily (with e chance of random action) from the Q-network
                if np.random.rand(1) < e or total_steps < pre_train_steps:
                    a = np.random.randint(0,4)
                else:
                    a = sess.run(mainQN.predict,feed_dict={mainQN.scalarInput:[s]})[0]
                s1,r,d = env.step(a)
                s1 = processState(s1)
                total_steps += 1
                episodeBuffer.add(np.reshape(np.array([s,a,r,s1,d]),[1,5])) #Save the experience to our episode buffer.

                if total_steps > pre_train_steps:
                    if e > endE:
                        e -= stepDrop

                    if total_steps % (update_freq) == 0:
                        trainBatch = myBuffer.sample(batch_size) #Get a random batch of experiences.
                        #Below we perform the Double-DQN update to the target Q-values
                        A = sess.run(mainQN.predict,feed_dict={mainQN.scalarInput:np.vstack(trainBatch[:,3])})
                        Q = sess.run(targetQN.Qout,feed_dict={targetQN.scalarInput:np.vstack(trainBatch[:,3])})
                        doubleQ = Q[range(batch_size),A]
                        targetQ = trainBatch[:,2] + y*doubleQ
                        #Update the network with our target values.
                        _ = sess.run(mainQN.updateModel, 
                            feed_dict={mainQN.scalarInput:np.vstack(trainBatch[:,0]),mainQN.targetQ:targetQ, mainQN.actions:trainBatch[:,1]})

                        updateTarget(targetOps,sess) #Set the target network to be equal to the primary network.
                rAll += r
                s = s1

                if d == True:
                    break

            #Get all experiences from this episode and discount their rewards.
            myBuffer.add(episodeBuffer.buffer)
            rList.append(rAll)
            #Periodically save the model.
            if i>0 and i % 25 == 0:
                print('episode',i,', average reward of last 25 episode',np.mean(rList[-25:]))
            if i>0 and i % 1000 == 0:
                saver.save(sess,path+'/model-'+str(i)+'.cptk')
                print("Saved Model")            
        saver.save(sess,path+'/model-'+str(i)+'.cptk')
    #%%
    rMat = np.resize(np.array(rList),[len(rList)//100,100])
    rMean = np.average(rMat,1)
    plt.plot(rMean)

 

参考资料:
《TensorFlow实战》

应接付费咨询(150元每时辰卡塔尔(قطر‎,小编的Wechat:qingxingfengzi

本文由365bet平台注册发布于365bet平台注册,转载请注明出处:学习笔记TF038

关键词:

上一篇:那些上有老下有小的日子

下一篇:没有了