بتل کد Battle Codeدارد باز می‌شود…

The Update Function چالش 3 از جلسه‌ی 60، متوسط

تابع update(s, a, r, s2, done) را کامل کن: اگر done بود best_next صفر است، وگرنه np.max(Q[s2])؛ بعد Q[s, a] را با قانون Q-learning به‌روز کند. برنامه سه به‌روزرسانی روی یک جدول کوچک ۳ در ۲ انجام می‌دهد و جدول را با tolist() چاپ می‌کند. خروجی باید این باشد:
[[0.0, 2.625], [5.0, 0.0], [5.0, 1.0]]

import numpy as np

lr, gamma = 0.5, 0.9
Q = np.zeros((3, 2))
Q[2] = [5.0, 1.0]


def update(s, a, r, s2, done):
    # best_next: 0 if done, otherwise the biggest number in Q[s2]
    # Q[s, a] += ...
    pass


update(0, 1, -1, 2, False)
update(1, 0, 10, 2, True)
update(0, 1, -1, 2, False)
print(Q.tolist())

راهنما و جواب این چالش · برگشت به درس جلسه‌ی 60: یادگیری تقویتی ۲ · چالش بعدی: Train in the Maze

بیشتر بخوان: تابع در پایتون: آموزش def، پارامتر و return با مثال