جواب «Explore or Exploit» چالش 2 از جلسهی 60
سؤال
تابع choose با احتمال epsilon یک عمل تصادفی برمیدارد، اما خط بهرهبرداری غلط است و همیشه 0 (یعنی U) را برمیگرداند. آن خط را عوض کن تا بهترین عمل ردیف Q[s] را با np.argmax برگرداند. برنامه ۱۰۰ بار انتخاب میکند و میشمارد؛ خروجی باید این باشد:{'U': 10, 'D': 7, 'L': 5, 'R': 78}
راهنما
return int(np.argmax(Q[s])): شمارهی بزرگترین عدد ردیف.
یک جواب درست
import random
import numpy as np
ACTIONS = ["U", "D", "L", "R"]
Q = np.array([[-1.0, 2.5, -0.5, 4.1]])
epsilon = 0.3
def choose(s):
if random.random() < epsilon:
return random.randrange(4)
return int(np.argmax(Q[s]))
random.seed(2)
counts = {"U": 0, "D": 0, "L": 0, "R": 0}
for i in range(100):
counts[ACTIONS[choose(0)]] += 1
print(counts)
اول خودت امتحان کن؛ جوابهای دیگر هم قبول است. برگرد و خودت حلش کن