神经网络之后的[np.arange(0, self.batch_size), action]的目的是什么？

Question

我按照 PyTorch 教程学习了强化学习(TRAIN A MARIO-PLAYING RL AGENT)，但我对以下代码感到困惑：

current_Q = self.net(state, model="online")[np.arange(0, self.batch_size), action] # Q_online(s,a)

神经网络后的[np.arange(0, self.batch_size),action]的作用是什么？（我知道TD_estimate是取state和action的，只是一头雾水这在编程方面）这是什么用法（在self.net之后放一个列表）？

教程中引用的更多相关代码：

class MarioNet(nn.Module):

def __init__(self, input_dim, output_dim):
    super().__init__()
    c, h, w = input_dim

    if h != 84:
        raise ValueError(f"Expecting input height: 84, got: {h}")
    if w != 84:
        raise ValueError(f"Expecting input width: 84, got: {w}")

    self.online = nn.Sequential(
        nn.Conv2d(in_channels=c, out_channels=32, kernel_size=8, stride=4),
        nn.ReLU(),
        nn.Conv2d(in_channels=32, out_channels=64, kernel_size=4, stride=2),
        nn.ReLU(),
        nn.Conv2d(in_channels=64, out_channels=64, kernel_size=3, stride=1),
        nn.ReLU(),
        nn.Flatten(),
        nn.Linear(3136, 512),
        nn.ReLU(),
        nn.Linear(512, output_dim),
    )

    self.target = copy.deepcopy(self.online)

    # Q_target parameters are frozen.
    for p in self.target.parameters():
        p.requires_grad = False

def forward(self, input, model):
    if model == "online":
        return self.online(input)
    elif model == "target":
        return self.target(input)

self.net:

self.net = MarioNet(self.state_dim, self.action_dim).float()

感谢您的帮助！

Answer 1

本质上，这里发生的是网络的输出被切片以获得 Q 的所需部分 table。

[np.arange(0, self.batch_size), action] 的（有点令人困惑的）索引索引每个轴。因此，对于索引为 1 的轴，我们选择 action 指示的项目。对于索引 0，我们选择 0 到 self.batch_size.

之间的所有项目

如果self.batch_size与这个数组的0维长度相同，那么这个切片就可以简化为[:, action]，这可能是大多数用户比较熟悉的

神经网络之后的[np.arange(0, self.batch_size), action]的目的是什么？

What is the purpose of [np.arange(0, self.batch_size), action] after the neural network?

python

reinforcement-learning

pytorch