def test():
#初始化神经网络模型
model = create_model()
#将定义好的网络作为参数传入general框架的API中，构建一个含有DQN神经网络的智能体。
agent = gr.DQN(model, actions=dummy_env.action_space.n, nsteps=2)
#将之前训练的模型参数导入的新初始化的神经网络中
agent.model.load_weights("model_dir/dqn.h5")
#将智能体和gym环境放入训练器中开始测试模型的效果
tra = gr.Trainer(create_env, agent)
tra.test(max_steps=1000)
def create_agent(self):
model = self.create_model()
if self.algorithm_type=='dqn':
agent = gr.DQN(model, actions=2, nsteps=2)
elif self.algorithm_type=='ddpg':
agent = gr.DDPG(model, actions=self.dummy_env.action_space.n, nsteps=2)
elif self.algorithm_type=='ppo':
agent = gr.PPO(model, actions=self.dummy_env.action_space.n, nsteps=2)
return agent
def train():
#初始化神经网络模型
model = create_model()
#将定义好的网络作为参数传入general框架的API中，构成一个完成DQN 智能体，用于接下来的强化学习训练。
agent = gr.DQN(model, actions=dummy_env.action_space.n, nsteps=2)
cpkt = tf.io.gfile.listdir("model_dir")
if cpkt:
agent.model.load_weights("model_dir/dqn.h5")
#将智能体和gym环境放入训练器中开始训练深度神经网络模型
tra = gr.Trainer(dummy_env, agent)
tra.train(max_steps=3000, visualize=True, plot=plot_rewards)
agent.save(filename='model_dir/dqn.h5', overwrite=True, save_format='h5')
def run_model(self):
model = self.create_model()
agent = gr.DQN(model, actions=self.dummy_env.action_space.n, nsteps=2)
agent.model.load_weights(filepath=self.file_path)
sim = gr.Trainer(self.dummy_env, agent)
sim.test(max_steps=self.run_steps)