pytorch/examples

Actor critic example not using discount rate properly

Open

#744 opened on 2020年3月27日

GitHub で見る
 (3 comments) (0 reactions) (0 assignees)Python (21,634 stars) (9,429 forks)batch import
good first issuetriaged

説明

The Actor Critic example (which is actually an implementation of REINFORCE-with-baseline as pointed out in https://github.com/pytorch/examples/issues/573), does not use the discount rate properly.

The loss should include \gamma ^ t, as shown in the box on page 330 of Sutton & Barto:

image

コントリビューターガイド

技術スタック
pythonpytorch
領域
machine learningai
Issue 種別
bug
難度新しい貢献者にとっての実装難度です。1 は非常に小さな変更、5 は専門的な作業です。
3
推定時間経験ある貢献者が調査、実装、テスト、pull request 準備にかけるおおよその時間範囲です。
1-3 hours
活動状況Issue が今どれだけ取り組みやすいかを示します。新しい、活発、古い、ブロック中、またはメンテナー入力待ちなどです。
stale
明確さ期待される変更、受け入れ条件、次の手順がどれだけ明確かを示します。
clear
前提条件
REINFORCE algorithmPyTorch basicsDiscount factor concept
初心者向け度初回貢献者にどれだけ取り組みやすいかを 1-100 で推定したスコアです。
45
調査方針
Examine the actor critic example file (likely in the reinforcement learning folder). The current code likely computes the loss without weighting by gamma^t. Refer to the referenced issue #573 and the Sutton & Barto equation. The fix involves multiplying each log probability term by gamma^t in the policy gradient loss calculation. Check the comments in the issue for any additional guidance.