屏显的企业网站应该怎么做,wordpress文章发布,做物流网站的公司,查企业信息查询平台官网免费目录 认识模型
参考方案#xff08;按模块拆解#xff09; 认识模型
模型控制1名英雄进行镜像1 v 1对战
Actor集群资源为64核CPU
问题特点#xff1a;单一公平对抗场景#xff08;同英雄镜像对赛#xff09;#xff0c;单位时间样本产能低#xff0c;累计训练资源相…
目录 认识模型
参考方案按模块拆解 认识模型
模型控制1名英雄进行镜像1 v 1对战
Actor集群资源为64核CPU
问题特点单一公平对抗场景同英雄镜像对赛单位时间样本产能低累计训练资源相对充裕。
中级赛道难点 训练下RL收敛性保证在小资源长时间训练的情况下如何解决样本多样性问题使训练效果媲美高并发、中等时间训练的效果。 面向赛题英雄定制优化环境和Baseline均未面向赛题英雄做任何优化。参赛队伍可以研究英雄设计和机制玩法特点完善特征、规则、动作空间、奖励等相关设计提升环境状态表征能力整合已知先验和降低策略学习难度并提升单英雄能力上限。 单一公平对抗场景下需要关注并完善更多细节得到更完备的策略。
此外参赛队伍可以 消灭各种bug(如不符合预期的移动/走位 实现支持在线调整或调度的多风格、多样化策略。面向对手行为进行进一步优化包括建模和预测对手的行为以便先发制人或极限闪避化解危机。 细化局内不同阶段的奖励方案如动态权重课程学习不同阶段的奖励权重如过程导向或结果导向
参考方案按模块拆解 (CNNMLP)-LSTM的Encoder-Decoder结构 Multi--Head Value,通过分组改进Value估计效果降低方差 使用全局Perfect Information铺助Value估计 定制特征 后置规则处理模型输出
具体操作参见开发指南“
通过开发后置规则可以支持实现模型输出-动作的二次映射。特定实现下从RL
Agent视角看等价于环境的变化。
奖励机制
具体操作参见开发指南“、“环境介绍“并建议参考往届各晋级队伍相关设计
可能的优化方向包括 调整奖励子项权重 静态权重 局内动态权重(e.g.奖励局内衰减) 新增奖励项目
对手模型
具体操作参见开发指南“并建议参考往届各晋级队伍相关设计
对应位置actor/actor..py
可能的优化方向包括 新旧模型比例 对手模型池/League 自定义评估对局
学习策略
课程学习将复杂、综合的学习目标分解为多阶段、更小规模的学习任务。
通过预训练模型多阶段训练的方式分步实现总体学习目标。心
例子通过局间奖励衰减实现稠密奖励到稀疏奖励的过渡
训练前期偏重具体行为相关的稠密奖励引导智能体学会基本操作
训练中期增强与对局结果强相关的稠密奖励引导智能体在单局中建立优势
训练后期调高稀疏奖励权重引导智能体直接关注最终胜负 知识蒸馏强化学习监督学习联合优化方案
例子多英雄能力提升问题的内部解法之一
单英雄Teacher训练强化学习单英雄镜像自对战
蒸馏单英雄Teacher-多英雄Student)在Actor样本中存入Teacher Logits
Learner增加一项监督学习的蒸馏
多英雄Student训练强化学习多英雄混合对战
注可参考原理。受限于资源规模在比赛中实际复现该做法的投入产出比可能并不突出。
系统优化角度
Learner效率 有效吞吐量 计算效率 比赛场景下考虑到单位时间内Actor样本吞吐量远低于Learner,一般不需要进一步提升样本吞吐量 Graph中尽可能拼Batch计算提高计算密度对应底层计算从GEMV(访存密集型)-GEMM计算密集型 采用在GCU上性能更好的算子实现可结合隧原-开发指南及实际Profiling情况 样本池 当前框架版本的MemPool实现并非最优可能存在一定程度的样本浪费现象 通过改进MemPool数据结构相关实现改变随机读写方式可以减少样本被覆盖的情况 样本效率与收敛速度 强化学习算法优化其他条件不变强化学习算法越高效收敛至同等能力所需时间越短 Dual-Clip PPO / Value Clip 对policy loss进行双重clip,避免advantage取值outlier对收敛稳定性的影响。 类似地可以对value loss进行clip,避免单步更新幅度过大对value network收敛的影响。 Value Normalization 对于策略梯度方法伴随着RL过程value network学习目标的变化可能比较剧烈影响了value估计的学习效果进而影响了整体收敛效果与稳定性。实验表明通过引入Vlue归一化类PPO算法的样本效率可能获得改善。 PPG算法 SAC算法 PPO存在on-policy假设而分布式强化学习场景下为了实现更高效的并行计算在on-policy程度上存在妥协。SAC是一种off-policy的随机策略RL算法在样本利用方式上和DDPG类似区别在于其生成stochastic policy,在部分benchmark中表现出优于DDPG的样本效率。 考虑到更换PPO算法涉及较大的开发和调试工作量推荐大部分队伍优先考虑在PPO算法基础上的优化学有余力的队伍可以直接尝试更换算法。 Actor效率
吞吐量优化 CPU推理优化Actor进程运行在CPU多机环境可以面向CPU平台优化模型计算性能 PyTorch JIT优化 集成第三方推理框架例如onnx-runtime)
改善样本分布 可尝试通过intrinsic reward等方式减少产生无效/同质化样本提高样本多样性 可尝试引导生成符合特定条件的样本比如使样本分布向特定对手模型倾斜
ABSTool工具使用
