Tensorflow 强化学习 RNN 在使用 GradientTape 优化后返回 NaN

Question

def create_example_model():
    tf.keras.backend.set_floatx('float64')
    model = Sequential()
    model.add(LSTM(128, input_shape=((60, len(df_train.columns)))))

    model.add(Dense(64, activation='relu'))

    model.add(Dense(3, activation=None))

    return model

def choose_action(model, observation):
    observation = np.expand_dims(observation, axis=0)

    logits = model.predict(observation)

    prob_weights = tf.nn.softmax(logits).numpy()

    action = np.random.choice(3, size=1, p=prob_weights.flatten())[0]

    return action

def train_step(model, optimizer, observations, actions, discounted_rewards):
    with tf.GradientTape() as tape:

        logits = model(observations)

        loss = compute_loss(logits, actions, discounted_rewards)

        grads = tape.gradient(loss, model.trainable_variables)
        optimizer.apply_gradients(zip(grads, model.trainable_variables))

learning_rate = 1e-3
optimizer = tf.keras.optimizers.Adam(learning_rate)
env = TradingEnv(rnn_ready_array)

model = create_example_model()
memory = Memory()
info_list = []

for i_episode in range(10):
    observation = env.reset()
    memory.clear()

    while True:
        action = choose_action(model, observation)
        next_observation, reward, done, info = env.step(action)
        info_list.append(info)
        memory.add_to_memory(observation, action, reward)
        if done:
            total_reward = sum(memory.rewards)
            train_step(model, optimizer,
                 observations=np.array(memory.observations),
                 actions=np.array(memory.actions),
                 discounted_rewards = discount_rewards(memory.rewards))

            memory.clear()
            break
        observation = next_observation

我正在使用 Tensorflow 2.0 进行强化学习项目；代码的格式来自麻省理工学院的在线课程，我正试图将其改编为我自己的项目。我是 Tensorflow 2.0 的新手，我无法从文档中了解为什么会出现此问题。问题是当我运行强化学习过程时，

第一集总会顺利完成。
总是会从模型中成功生成新的观测值。
在第二集中，网络会一直输出：[NaN, NaN, NaN]

我发现的一些调试信息应该会有帮助：如果我注释掉优化行 'grads = tape.gradient(...)' 和 'optimizer.apply_gradients(...)' 脚本将运行没有完成错误（尽管如果没有优化它显然没有做任何有用的事情）。这向我表明优化过程正在以导致问题的方式改变模型。我试图只包括必要的调试功能；如果调试可能需要任何进一步的信息，我很乐意在编辑中添加其他信息。

Answer 1

经过数小时的检查和重新检查各种容器后，我意识到是折扣奖励功能无法正常工作，在这种情况下返回 NaN。问题已解决:)

Tensorflow 强化学习 RNN 在使用 GradientTape 优化后返回 NaN

Tensorflow Reinforcement Learning RNN returning NaN's after Optimization with GradientTape

python

reinforcement-learning

deep-learning

recurrent-neural-network

tensorflow2.0