Q学習によるcartpoleの問題の勉強を始めました。
以下のコードはqiitaサイトより引用させていただいております。
https://qiita.com/sugulu/items/bc7c70e6658f204f85f9
最初の部分で躓いているのですが、コードというよりコードの意味について理解できずにおります。
python
1 2#Q関数を離散化し定義する関数 3#観測した状態をデジタル変換する 4 5def bins(clip_min,clip_max,num): 6 return np.linspace(clip_min,clip_max,num+1)[1:-1] 7 8#各値を離散化に変換する 9def digitize_state(observation): 10 cart_pos,cart_v,pole_angle,pole_v=observation 11 digitized=[np.digitize(cart_pos,bins=bins(-2.4,2.4,num_digitized)), 12np.digitize(cart_v,bins=bins(-3.0,3.0,num_digitized)), 13np,digitize(pole_angle,bins=bins(-0.5,0.5,num_digitized)), 14np.digitize(pole_v,bins=bins(-2.0,2.0,num_digitized))] 15 16 return sum([x*(num_dizitized**i) for i,x in enumerate(digitized)]) 17 18num_dizitized=6 19 20# カート、棒の状態をstate=digitize_state(observation) で取得していくこととなる。 21コード
最初の部分のコードの理解しようとしているのですが、なかなか理解が進まず困っています。
このdigitize_stateの方法で出力するものをstateとして定義していくとすると、np.digitizeで離散化したデータがcart_v<cart_pos<pole_angle<pole_vの順でenumerate関数を用いた内包表記部分で6の累乗分重要視された和が出力されていると考えているのですが、その理解は正しいでしょうか。
カートよりもポールの離散化された状態を重視し、ポールの離散化された速度を最も重視した値をdigitize_stateで出力している??との理解が正しいのか悩んでおります。
なにかアドバイスを頂けますと幸いです。よろしくお願いいたします。
回答2件
あなたの回答
tips
プレビュー
バッドをするには、ログインかつ
こちらの条件を満たす必要があります。
2019/02/13 08:42