A2CLoss¶

class torchrl.objectives.A2CLoss(*args, **kwargs)[源代码]¶

A2C 损失的 TorchRL 实现。

A2C（Advantage Actor Critic，优势演员-评论家）是一种无模型、在线强化学习算法，它使用 n 步的并行 rollouts 来更新策略，并依赖 REINFORCE 估计器来计算梯度。它还在目标函数中添加了一个熵项以改进探索。

有关 A2C 的更多详细信息，请参阅：“Asynchronous Methods for Deep Reinforcment Learning”，https://arxiv.org/abs/1602.01783v2

参数:

actor_network (ProbabilisticTensorDictSequential) – 策略算子。
critic_network (ValueOperator) – 值运算符。
entropy_bonus (bool) – 如果为 True，则会在损失中添加熵奖励，以倾向于探索性策略。
samples_mc_entropy (int) – 如果从策略运算符检索到的分布没有熵的封闭形式公式，则会使用蒙特卡洛估计。 samples_mc_entropy 将控制计算此估计值所需的样本数量。默认为 1。
entropy_coeff (float) – 熵损失的权重。默认为 0.01`。
critic_coeff (float) – 评论家损失的权重。默认为 1.0。如果为 None，则不包含评论家损失，并且 in-keys 将缺少评论家输入。
loss_critic_type (str) – 值差异的损失函数。可以是 “l1”、“l2” 或 “smooth_l1” 之一。默认为 "smooth_l1"。
separate_losses (bool, 可选) – 如果为 True，则策略和评估器之间的共享参数将仅针对策略损失进行训练。默认为 False，即梯度将传播到策略和评估器损失的共享参数。
advantage_key (str) – [已弃用，请改用 set_keys(advantage_key=advantage_key)] 预期写入优势的输入 tensordict 键。默认值：“advantage”
value_target_key (str) – [已弃用，请改用 set_keys() 代替] 预期写入目标状态值的输入 tensordict 键。默认为 "value_target"。
functional (bool, optional) – 模块是否应被函数化。函数化允许 meta-RL 等功能，但使得无法使用分布式模型（DDP、FSDP 等），并且会带来一点开销。默认为 True。
reduction (str, optional) – 指定应用于输出的约简："none" | "mean" | "sum"。"none"：不应用约简，"mean"：输出的总和将除以输出中的元素数量，"sum"：将对输出进行求和。默认为 "mean"。
clip_value (float, 可选) – 如果提供，它将用于计算值预测的裁剪版本，相对于输入值估计，并用于计算值损失。裁剪的目的是限制极端值预测的影响，有助于稳定训练并防止大幅更新。但是，如果值估计是由当前版本的值估计器完成的，则它将没有影响。默认为 None。

示例

>>> import torch
>>> from torch import nn
>>> from torchrl.data import Bounded
>>> from torchrl.modules.distributions import NormalParamExtractor, TanhNormal
>>> from torchrl.modules.tensordict_module.actors import ProbabilisticActor, ValueOperator
>>> from torchrl.modules.tensordict_module.common import SafeModule
>>> from torchrl.objectives.a2c import A2CLoss
>>> from tensordict import TensorDict
>>> n_act, n_obs = 4, 3
>>> spec = Bounded(-torch.ones(n_act), torch.ones(n_act), (n_act,))
>>> net = nn.Sequential(nn.Linear(n_obs, 2 * n_act), NormalParamExtractor())
>>> module = SafeModule(net, in_keys=["observation"], out_keys=["loc", "scale"])
>>> actor = ProbabilisticActor(
...     module=module,
...     in_keys=["loc", "scale"],
...     spec=spec,
...     distribution_class=TanhNormal)
>>> module = nn.Linear(n_obs, 1)
>>> value = ValueOperator(
...     module=module,
...     in_keys=["observation"])
>>> loss = A2CLoss(actor, value, loss_critic_type="l2")
>>> batch = [2, ]
>>> action = spec.rand(batch)
>>> data = TensorDict({
...         "observation": torch.randn(*batch, n_obs),
...         "action": action,
...         ("next", "done"): torch.zeros(*batch, 1, dtype=torch.bool),
...         ("next", "terminated"): torch.zeros(*batch, 1, dtype=torch.bool),
...         ("next", "reward"): torch.randn(*batch, 1),
...         ("next", "observation"): torch.randn(*batch, n_obs),
...     }, batch)
>>> loss(data)
TensorDict(
    fields={
        entropy: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        loss_critic: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        loss_entropy: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        loss_objective: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False)},
    batch_size=torch.Size([]),
    device=None,
    is_shared=False)

此类与非 tensordict 的模块兼容，并且可以在不依赖任何与 tensordict 相关的原语的情况下使用。在这种情况下，预期的关键字参数是：["action", "next_reward", "next_done", "next_terminated"] + actor 和 critic 的 in-keys。返回值是一个按以下顺序排列的张量元组：["loss_objective"] + 如果 critic_coeff 不是 None，则为 ["loss_critic"] + 如果 entropy_bonus 为 True 且 critic_coeff 不是 None，则为 ["entropy", "loss_entropy"]。

示例

>>> import torch
>>> from torch import nn
>>> from torchrl.data import Bounded
>>> from torchrl.modules.distributions import NormalParamExtractor, TanhNormal
>>> from torchrl.modules.tensordict_module.actors import ProbabilisticActor, ValueOperator
>>> from torchrl.modules.tensordict_module.common import SafeModule
>>> from torchrl.objectives.a2c import A2CLoss
>>> _ = torch.manual_seed(42)
>>> n_act, n_obs = 4, 3
>>> spec = Bounded(-torch.ones(n_act), torch.ones(n_act), (n_act,))
>>> net = nn.Sequential(nn.Linear(n_obs, 2 * n_act), NormalParamExtractor())
>>> module = SafeModule(net, in_keys=["observation"], out_keys=["loc", "scale"])
>>> actor = ProbabilisticActor(
...     module=module,
...     in_keys=["loc", "scale"],
...     spec=spec,
...     distribution_class=TanhNormal)
>>> module = nn.Linear(n_obs, 1)
>>> value = ValueOperator(
...     module=module,
...     in_keys=["observation"])
>>> loss = A2CLoss(actor, value, loss_critic_type="l2")
>>> batch = [2, ]
>>> loss_obj, loss_critic, entropy, loss_entropy = loss(
...     observation = torch.randn(*batch, n_obs),
...     action = spec.rand(batch),
...     next_done = torch.zeros(*batch, 1, dtype=torch.bool),
...     next_terminated = torch.zeros(*batch, 1, dtype=torch.bool),
...     next_reward = torch.randn(*batch, 1),
...     next_observation = torch.randn(*batch, n_obs))
>>> loss_obj.backward()

输出键也可以使用 SACLoss.select_out_keys() 方法进行过滤。

示例

>>> loss.select_out_keys('loss_objective', 'loss_critic')
>>> loss_obj, loss_critic = loss(
...     observation = torch.randn(*batch, n_obs),
...     action = spec.rand(batch),
...     next_done = torch.zeros(*batch, 1, dtype=torch.bool),
...     next_terminated = torch.zeros(*batch, 1, dtype=torch.bool),
...     next_reward = torch.randn(*batch, 1),
...     next_observation = torch.randn(*batch, n_obs))
>>> loss_obj.backward()

注意

与非 tensordict 模块的兼容性有一个例外。如果 actor 网络是概率性的，并且使用 CompositeDistribution，则此类必须与 tensordicts 一起使用，并且不能作为独立于 tensordict 的模块运行。这是因为复合动作空间固有地依赖于 tensordicts 提供的结构化数据表示来处理其动作。

default_keys¶: 别名：_AcceptedKeys

forward(tensordict: TensorDictBase = None) → TensorDictBase[源代码]¶

它旨在读取一个输入的 TensorDict 并返回另一个包含名为“loss*”的损失键的 tensordict。

将损失分解为其组成部分可以被训练器用于在训练过程中记录各种损失值。输出 tensordict 中存在的其他标量也将被记录。

参数:: tensordict – 一个输入的 tensordict，包含计算损失所需的值。
返回:: 一个没有批处理维度的新 tensordict，其中包含各种损失标量，这些标量将被命名为“loss*”。重要的是，损失必须以这个名称返回，因为它们将在反向传播之前被训练器读取。

property functional¶

模块是否功能化。

除非经过专门设计使其不具有功能性，否则所有损失都具有功能性。

loss_critic(tensordict: TensorDictBase) → tuple[torch.Tensor, float][源代码]¶

返回评论家损失值，乘以 critic_coeff（如果它不是 None）。

返回损失值和裁剪分数。

make_value_estimator(value_type: Optional[ValueEstimators] = None, **hyperparams)[源代码]¶

值函数构造函数。

如果需要非默认值函数，必须使用此方法构建。

参数:

value_type (ValueEstimators) – 一个 ValueEstimators 枚举类型，指示要使用的值函数。如果未提供，将使用存储在 default_value_estimator 属性中的默认值。生成的估值器类将注册在 self.value_type 中，以便将来进行改进。
**hyperparams – 用于值函数的超参数。如果未提供，将使用 default_value_kwargs() 中指示的值。

示例

>>> from torchrl.objectives import DQNLoss
>>> # initialize the DQN loss
>>> actor = torch.nn.Linear(3, 4)
>>> dqn_loss = DQNLoss(actor, action_space="one-hot")
>>> # updating the parameters of the default value estimator
>>> dqn_loss.make_value_estimator(gamma=0.9)
>>> dqn_loss.make_value_estimator(
...     ValueEstimators.TD1,
...     gamma=0.9)
>>> # if we want to change the gamma value
>>> dqn_loss.make_value_estimator(dqn_loss.value_type, gamma=0.9)

A2CLoss¶

文档

教程

资源