有银行的多臂强盗的 tensorflow 例子吗？

如何解决有银行的多臂强盗的 tensorflow 例子吗？

我一直在研究一些 Tensorflow 代理 examples，想知道是否有人知道如何/在何处向环境中添加银行/藏匿处的好示例，以便在代理用完时剧集提前结束的资金？

似乎将逻辑添加到重置函数是一个不错的选择，但评论似乎非常坚决不这样做。

 # These two functions below should not be overridden by subclasses.


def _reset(self):
    """Returns a time step containing an observation."""
    return ts.restart(self._observe(),batch_size=self.batch_size)

  def _step(self,action):
    """Returns a time step containing the reward for the action taken."""
    reward = self._apply_action(action)
    return ts.termination(self._observe(),reward)

我最初的做法是：

def _reset(self):
    """Returns a time step containing an observation."""
    self.bank += reward
    return ts.restart(self._observe(),batch_size=self.batch_size)

从_take_action(...) 中其他地方定义的银行中减去。这似乎在运行，但我一直在阅读一些文档，我不确定它的行为方式是否符合我的想法。这是在 MAB 问题中添加银行的合适方法吗？