output_layer_size = 9 # кол-во возможных действий агента
learning_rate = 0.01 # фактор обучения
gamma = 0.5 # фактор дисконтирования
delta = 0.0001 # коэффициент уменьшения learning_rate
batch_size = 10 # размер пакета обучения: сколько игр нужно отыграть для начала анализа
decay_rate = 0.95 # коэффициент затухания для RMSProp leaky суммы квадрата градиента
agent_manager = AgentManager(
# server_helper_creators=list(map(lambda hash_id: lambda: ServerHelperExamination(hash_id), hash_ids)),
server_helper_creators=(
(lambda: [lambda: ServerHelperTournament(user_id, tournament_id)],
lambda: [])[tournament_id == 0]()) +
((lambda: [lambda: ServerHelperExamination(hash_id)],
lambda: [])[hash_id == 0]()) + ((lambda: list(
map(
lambda map_number: lambda: ServerHelperTraining(
user_id, case_id, map_number), map_numbers)),
lambda: [])[case_id == 0]()),
attempts_count=50,
file_name=file_name,
input_layer_size=input_layer_size,
hidden_layer_size=hidden_layer_size,
output_layer_size=output_layer_size,
learning_rate=learning_rate,
gamma=gamma,
delta=delta,
batch_size=batch_size,
decay_rate=decay_rate)
agent_manager.check(iteration_count=1)
