ray.rllib.算法.算法.算法.训练步骤

Algorithm.training_step() → Dict

算法的默认单次迭代逻辑。

• 使用算法的 EnvRunners (@ray.remote) 并行收集 on-policy 样本 (SampleBatches)。

• 将收集的 SampleBatches 连接成一个训练批次。

• 请注意，在多智能体情况下，我们可能会有多个策略：调用不同策略的 learn_on_batch`（简单优化器）或 `load_batch_into_buffer + `learn_on_loaded_batch`（多GPU优化器）方法来计算损失并更新模型。

• 返回迭代中收集的所有指标。

返回:

执行训练迭代后的结果字典。