TypeError: len tidak didefinisikan dengan baik untuk Tensor simbolik. (aktivasi_3 / Identitas: 0) Silakan hubungi `x.shape` daripada` len (x) `untuk informasi bentuk

Saya mencoba menerapkan model DQL pada satu permainan gym openAI. Tapi itu memberi saya kesalahan berikut.

TypeError: len tidak didefinisikan dengan baik untuk Tensor simbolik. (aktivasi_3 / Identitas: 0) Silakan hubungi x.shapedaripada len(x) untuk informasi bentuk.

Menciptakan lingkungan gym:

ENV_NAME = 'CartPole-v0'

env = gym.make(ENV_NAME)
np.random.seed(123)
env.seed(123)
nb_actions = env.action_space.n

Model saya terlihat seperti ini:

model = Sequential()
model.add(Flatten(input_shape=(1,) + env.observation_space.shape))
model.add(Dense(16))
model.add(Activation('relu'))
model.add(Dense(nb_actions))
model.add(Activation('linear'))
print(model.summary())

Menyesuaikan model itu ke model DQN dari keral-rl sebagai berikut:

policy = EpsGreedyQPolicy()
memory = SequentialMemory(limit=50000, window_length=1)
dqn = DQNAgent(model=model, nb_actions=nb_actions, memory=memory, nb_steps_warmup=10, target_model_update=0.001, policy=policy)
dqn.compile(Adam(lr=1e-3), metrics=['mse', 'mae'])
dqn.fit(env, nb_steps=5000, visualize=False, verbose=3)

Kesalahan berasal dari baris ini:

dqn = DQNAgent(model=model, nb_actions=nb_actions, memory=memory, nb_steps_warmup=10, target_model_update=0.001, policy=policy)

Saya menggunakan keras-rl == 0.4.2 dan tensorflow == 2.1.0. Berdasarkan jawaban lain, saya juga mencoba tensorflow == 2.0.0-beta0 tetapi tidak menyelesaikan kesalahan.

Bisakah seseorang tolong jelaskan kepada saya mengapa saya menghadapi kesalahan ini? dan bagaimana cara mengatasinya?

Terima kasih.

Alasan jeda ini adalah karena, tf.TensorTF 2.0.0 (dan TF 1.15) memiliki __len__kelebihan beban dan memunculkan pengecualian . Tetapi TF 1.14 misalnya tidak memiliki __len__atribut.

Karenanya, apa pun TF 1.15+ (inklusif) rusak keras-rl(khusus di sini ), yang memberi Anda kesalahan di atas. Jadi Anda punya dua opsi,

• Turunkan ke TF 1.14 (disarankan)
• Hapus __len__overloading di sumber TensorFlow ( tidak disarankan karena ini dapat merusak hal lain)