给定一个训练有素的环境，我如何评估特定状态的策略？答案

【问题标题】：Given a trained environment, how do I evaluate the policy at a specific state?给定一个训练有素的环境，我如何评估特定状态的策略？
【发布时间】：2020-03-27 08:01:24
【问题描述】：

我已经在自定义环境中训练了 Ray-RLlib PPOTrainer。如何评估特定州的政策？

完整示例：

from ray.rllib.agents.ppo import PPOTrainer
from cust_env.envs import CustEnv
from ray.tune.logger import pretty_print

ray.init()
config = ppo.DEFAULT_CONFIG.copy()
config["num_workers"] = 2
config["eager"] = False
config["output"] = 'tmp/debug/'
trainer = PPOTrainer(config=config, env=TravelEnv)

# Can optionally call trainer.restore(path) to load a checkpoint.

for i in range(101):

   result = trainer.train()

   if i % 10 == 0:
       print(pretty_print(result))

有没有一种方法，如下所示，我可以在给定状态下返回最佳操作？

policy = trainer.get_policy()
optimal_action_at_state_S = policy.get_optimal_action(S)

函数policy.compute_actions( ) 似乎从随机策略返回一个随机样本，而不是一个最优动作。

【问题讨论】：

如果您编辑了答案以包含一个最小的代码示例来重现您想要的行为，包括导入，您更有可能得到一个全面的答案。

标签： python reinforcement-learning ray

【解决方案1】：

据我通过 Ray-dev Google 小组联系到的 Ray 开发人员说，目前完成此任务的唯一方法是使用自定义动作分布，其中方差设置为零。不过，他确实注意到，很快就会添加改进的界面。

【讨论】：

【解决方案2】：

也许只是为了补充，因为我碰到了这个线程：选项现在可用 https://docs.ray.io/en/latest/_modules/ray/rllib/policy/policy.html 例如compute_actions -> 设置 explore=False 以获得确定性操作

【讨论】：