TorchRL 目标：编写 DDPG 损失

作者：Vincent Moens

概述

TorchRL 将强化学习算法的训练分解为几个部分，这些部分将在您的训练脚本中进行组装：环境、数据收集与存储、模型以及最终的损失函数。

TorchRL 损失（或“目标”）是状态化的对象，包含可训练参数（策略和价值模型）。本教程将引导您完成使用 TorchRL 从头开始编写损失的步骤。

为此，我们将重点关注 DDPG，这是一个相对容易编写的算法。深度确定性策略梯度 (DDPG) 是一种简单的连续控制算法。它包括学习一个参数化的价值函数来表示一个动作-观察对，然后学习一个策略，该策略根据特定的观察输出最大化该价值函数的动作。

您将学到什么

• 如何编写损失模块并自定义其价值估计器；

• 如何在 TorchRL 中构建环境，包括转换（例如，数据归一化）和并行执行；

• 如何设计策略和价值网络；

• 如何从环境中高效收集数据并将其存储在回放缓冲区中；

• 如何在回放缓冲区中存储轨迹（而不是转换）；

• 如何评估您的模型。

先决条件

本教程假设您已完成PPO 教程，该教程概述了 TorchRL 的组件和依赖项，例如 tensordict.TensorDict 和 tensordict.nn.TensorDictModules，尽管它应该足够透明，无需深入理解这些类即可理解。

注意

我们的目标不是提供最先进的算法实现，而是提供 TorchRL 损失实现以及在此算法背景下使用的库功能的总体概述。

导入和设置

%%bash
pip3 install torchrl mujoco glfw

import torch
import tqdm

如果可用，我们将策略在 CUDA 上执行

is_fork = multiprocessing.get_start_method() == "fork"
device = (
    torch.device(0)
    if torch.cuda.is_available() and not is_fork
    else torch.device("cpu")
)
collector_device = torch.device("cpu")  # Change the device to ``cuda`` to use CUDA

TorchRL LossModule

TorchRL 提供了一系列可在训练脚本中使用的损失。目的是让损失易于重用/互换，并且具有简单的签名。

TorchRL 损失的主要特点是

• 它们是状态化的对象：它们包含可训练参数的副本，因此 loss_module.parameters() 会给出训练算法所需的一切。

• 它们遵循 TensorDict 约定：torch.nn.Module.forward() 方法将接收一个 TensorDict 作为输入，其中包含返回损失值所需的所有信息。

• 它们输出一个 tensordict.TensorDict 实例，其中损失值写入 "loss_<smth>"，其中 smth 是描述损失的字符串。TensorDict 中的其他键可能是训练时记录的有用指标。

  注意

  我们返回独立损失的原因是让用户可以为不同的参数集使用不同的优化器。损失的求和可以通过以下方式简单完成

  ..code - block::Python

  >>> loss_val = sum(loss for key, loss in loss_dict.items() if key.startswith("loss_"))
  

The __init__ method

所有损失的父类是 LossModule。与库中的许多其他组件一样，其 forward() 方法期望接收一个从经验回放缓冲区中采样的 tensordict.TensorDict 实例或任何类似的 data structure 作为输入。使用此格式可以跨模态或在模型需要读取多个条目等复杂场景中重用该模块。换句话说，它允许我们编写一个对输入数据类型不敏感的损失模块，并专注于运行损失函数的基本步骤，仅此而已。

为了使本教程尽可能具教学性，我们将独立展示类的每个方法，并在稍后填充该类。

让我们从 __init__() 方法开始。DDPG 旨在通过一个简单的策略来解决控制任务：训练一个策略来输出最大化价值网络预测的动作。因此，我们的损失模块需要在其构造函数中接收两个网络：一个 Actor（策略）和一个价值网络。我们期望两者都是 TensorDict 兼容的对象，例如 tensordict.nn.TensorDictModule。我们的损失函数需要计算目标值并拟合价值网络，以及生成一个动作并拟合策略，使其价值估计最大化。

LossModule.__init__() 方法的关键步骤是对 convert_to_functional() 的调用。此方法将从模块中提取参数并将其转换为函数式模块。严格来说，这不是必需的，并且可以完美地在没有它的情况下编写所有损失。但是，我们鼓励其使用，原因如下。

TorchRL 这样做的原因是 RL 算法通常使用不同的参数集执行相同的模型，称为“可训练”和“目标”参数。“可训练”参数是优化器需要拟合的参数。“目标”参数通常是前者副本，具有一些时间滞后（绝对或通过移动平均稀释）。这些目标参数用于计算与下一个观察值相关联的价值。使用一组不完全匹配当前配置的目标参数的一个优点是，它们提供了对正在计算的价值函数的一个悲观界限。请注意下面的 create_target_params 关键字参数：此参数告诉 convert_to_functional() 方法在损失模块中创建一个目标参数集，用于目标值计算。如果将其设置为 False（例如，请参阅 Actor 网络），则 target_actor_network_params 属性仍然可以访问，但这只会返回 Actor 参数的**分离**版本。

稍后，我们将看到如何在 TorchRL 中更新目标参数。

from tensordict.nn import TensorDictModule, TensorDictSequential


def _init(
    self,
    actor_network: TensorDictModule,
    value_network: TensorDictModule,
) -> None:
    super(type(self), self).__init__()

    self.convert_to_functional(
        actor_network,
        "actor_network",
        create_target_params=True,
    )
    self.convert_to_functional(
        value_network,
        "value_network",
        create_target_params=True,
        compare_against=list(actor_network.parameters()),
    )

    self.actor_in_keys = actor_network.in_keys

    # Since the value we'll be using is based on the actor and value network,
    # we put them together in a single actor-critic container.
    actor_critic = ActorCriticWrapper(actor_network, value_network)
    self.actor_critic = actor_critic
    self.loss_function = "l2"

价值估计器损失方法

在许多 RL 算法中，价值网络（或 Q 值网络）基于经验价值估计进行训练。这可以是通过引导（TD(0)，低方差，高偏差），意味着目标值仅使用下一个奖励获得，或者可以获得蒙特卡罗估计（TD(1)），在这种情况下将使用整个即将到来的奖励序列（高方差，低偏差）。中间估计器（TD(\(\lambda\))）也可以用来折衷偏差和方差。TorchRL 通过 ValueEstimators 枚举类，该类包含指向所有已实现价值估计器的指针，可以轻松使用其中一个或另一个估计器。让我们在此处定义默认价值函数。我们将采用最简单的版本（TD(0)），并稍后展示如何更改它。

from torchrl.objectives.utils import ValueEstimators

default_value_estimator = ValueEstimators.TD0

我们还需要根据用户查询向 DDPG 提供一些关于如何构建价值估计器的指示。根据提供的估计器，我们将构建相应的模块以在训练时使用

from torchrl.objectives.utils import default_value_kwargs
from torchrl.objectives.value import TD0Estimator, TD1Estimator, TDLambdaEstimator


def make_value_estimator(self, value_type: ValueEstimators, **hyperparams):
    hp = dict(default_value_kwargs(value_type))
    if hasattr(self, "gamma"):
        hp["gamma"] = self.gamma
    hp.update(hyperparams)
    value_key = "state_action_value"
    if value_type == ValueEstimators.TD1:
        self._value_estimator = TD1Estimator(value_network=self.actor_critic, **hp)
    elif value_type == ValueEstimators.TD0:
        self._value_estimator = TD0Estimator(value_network=self.actor_critic, **hp)
    elif value_type == ValueEstimators.GAE:
        raise NotImplementedError(
            f"Value type {value_type} it not implemented for loss {type(self)}."
        )
    elif value_type == ValueEstimators.TDLambda:
        self._value_estimator = TDLambdaEstimator(value_network=self.actor_critic, **hp)
    else:
        raise NotImplementedError(f"Unknown value type {value_type}")
    self._value_estimator.set_keys(value=value_key)

可以调用 make_value_estimator 方法，但并非必须：如果未调用，LossModule 将使用其默认估计器查询此方法。

Actor 损失方法

RL 算法的核心是 Actor 的训练损失。对于 DDPG，此函数非常简单：我们只需要计算使用策略计算的动作的相关价值，并优化 Actor 的权重以最大化此价值。

在计算此值时，我们必须确保将值参数从图中移除，否则 Actor 和价值损失将混合在一起。为此，可以使用 hold_out_params() 函数。

def _loss_actor(
    self,
    tensordict,
) -> torch.Tensor:
    td_copy = tensordict.select(*self.actor_in_keys)
    # Get an action from the actor network: since we made it functional, we need to pass the params
    with self.actor_network_params.to_module(self.actor_network):
        td_copy = self.actor_network(td_copy)
    # get the value associated with that action
    with self.value_network_params.detach().to_module(self.value_network):
        td_copy = self.value_network(td_copy)
    return -td_copy.get("state_action_value")

价值损失方法

现在我们需要优化我们的价值网络参数。为此，我们将依赖我们类的价值估计器

from torchrl.objectives.utils import distance_loss


def _loss_value(
    self,
    tensordict,
):
    td_copy = tensordict.clone()

    # V(s, a)
    with self.value_network_params.to_module(self.value_network):
        self.value_network(td_copy)
    pred_val = td_copy.get("state_action_value").squeeze(-1)

    # we manually reconstruct the parameters of the actor-critic, where the first
    # set of parameters belongs to the actor and the second to the value function.
    target_params = TensorDict(
        {
            "module": {
                "0": self.target_actor_network_params,
                "1": self.target_value_network_params,
            }
        },
        batch_size=self.target_actor_network_params.batch_size,
        device=self.target_actor_network_params.device,
    )
    with target_params.to_module(self.actor_critic):
        target_value = self.value_estimator.value_estimate(tensordict).squeeze(-1)

    # Computes the value loss: L2, L1 or smooth L1 depending on `self.loss_function`
    loss_value = distance_loss(pred_val, target_value, loss_function=self.loss_function)
    td_error = (pred_val - target_value).pow(2)

    return loss_value, td_error, pred_val, target_value

将内容放入 forward 调用中

唯一缺失的部分是 forward 方法，它将连接价值和 Actor 损失，收集成本值并将它们写入提供给用户的 TensorDict。

from tensordict import TensorDict, TensorDictBase


def _forward(self, input_tensordict: TensorDictBase) -> TensorDict:
    loss_value, td_error, pred_val, target_value = self.loss_value(
        input_tensordict,
    )
    td_error = td_error.detach()
    td_error = td_error.unsqueeze(input_tensordict.ndimension())
    if input_tensordict.device is not None:
        td_error = td_error.to(input_tensordict.device)
    input_tensordict.set(
        "td_error",
        td_error,
        inplace=True,
    )
    loss_actor = self.loss_actor(input_tensordict)
    return TensorDict(
        source={
            "loss_actor": loss_actor.mean(),
            "loss_value": loss_value.mean(),
            "pred_value": pred_val.mean().detach(),
            "target_value": target_value.mean().detach(),
            "pred_value_max": pred_val.max().detach(),
            "target_value_max": target_value.max().detach(),
        },
        batch_size=[],
    )


from torchrl.objectives import LossModule


class DDPGLoss(LossModule):
    default_value_estimator = default_value_estimator
    make_value_estimator = make_value_estimator

    __init__ = _init
    forward = _forward
    loss_value = _loss_value
    loss_actor = _loss_actor

现在我们有了损失，我们可以使用它来训练一个策略来解决一个控制任务。

环境

在大多数算法中，首先需要处理的是环境的构建，因为它会影响训练脚本的其余部分。

在此示例中，我们将使用"cheetah"任务。目标是让半猎豹尽可能快地奔跑。

在 TorchRL 中，可以通过依赖 dm_control 或 gym 来创建此类任务。

env = GymEnv("HalfCheetah-v4")

或

env = DMControlEnv("cheetah", "run")

默认情况下，这些环境禁用渲染。从状态训练通常比从图像训练更容易。为了简单起见，我们只关注从状态学习。要将像素传递给由 env.step() 收集的 tensordicts，只需将 from_pixels=True 参数传递给构造函数。

env = GymEnv("HalfCheetah-v4", from_pixels=True, pixels_only=True)

我们编写了一个 make_env() 辅助函数，它将使用上面考虑的两个后端之一（dm-control 或 gym）创建环境。

from torchrl.envs.libs.dm_control import DMControlEnv
from torchrl.envs.libs.gym import GymEnv

env_library = None
env_name = None


def make_env(from_pixels=False):
    """Create a base ``env``."""
    global env_library
    global env_name

    if backend == "dm_control":
        env_name = "cheetah"
        env_task = "run"
        env_args = (env_name, env_task)
        env_library = DMControlEnv
    elif backend == "gym":
        env_name = "HalfCheetah-v4"
        env_args = (env_name,)
        env_library = GymEnv
    else:
        raise NotImplementedError

    env_kwargs = {
        "device": device,
        "from_pixels": from_pixels,
        "pixels_only": from_pixels,
        "frame_skip": 2,
    }
    env = env_library(*env_args, **env_kwargs)
    return env

变换 (Transforms)

现在我们有了一个基础环境，我们可能希望修改其表示以使其更适合策略。在 TorchRL 中，转换会附加到专门的 torchr.envs.TransformedEnv 类中的基础环境中。

• 在 DDPG 中，通常使用一些启发式值对奖励进行重缩放。在此示例中，我们将奖励乘以 5。

• 如果我们使用 dm_control，那么构建一个接口来连接处理双精度数字的模拟器和我们脚本（可能使用单精度数字）也很重要。此转换是双向的：调用 env.step() 时，我们的动作需要表示为双精度，输出需要转换为单精度。 DoubleToFloat 转换正好执行此操作：in_keys 列表指的是需要从双精度转换为单精度的键，而 in_keys_inv 指的是在传递给环境之前需要转换为双精度的键。

• 我们使用 CatTensors 转换将状态键连接在一起。

• 最后，我们也保留了状态归一化的可能性：我们将在稍后负责计算归一化常数。

from torchrl.envs import (
    CatTensors,
    DoubleToFloat,
    EnvCreator,
    InitTracker,
    ObservationNorm,
    ParallelEnv,
    RewardScaling,
    StepCounter,
    TransformedEnv,
)


def make_transformed_env(
    env,
):
    """Apply transforms to the ``env`` (such as reward scaling and state normalization)."""

    env = TransformedEnv(env)

    # we append transforms one by one, although we might as well create the
    # transformed environment using the `env = TransformedEnv(base_env, transforms)`
    # syntax.
    env.append_transform(RewardScaling(loc=0.0, scale=reward_scaling))

    # We concatenate all states into a single "observation_vector"
    # even if there is a single tensor, it'll be renamed in "observation_vector".
    # This facilitates the downstream operations as we know the name of the
    # output tensor.
    # In some environments (not half-cheetah), there may be more than one
    # observation vector: in this case this code snippet will concatenate them
    # all.
    selected_keys = list(env.observation_spec.keys())
    out_key = "observation_vector"
    env.append_transform(CatTensors(in_keys=selected_keys, out_key=out_key))

    # we normalize the states, but for now let's just instantiate a stateless
    # version of the transform
    env.append_transform(ObservationNorm(in_keys=[out_key], standard_normal=True))

    env.append_transform(DoubleToFloat())

    env.append_transform(StepCounter(max_frames_per_traj))

    # We need a marker for the start of trajectories for our Ornstein-Uhlenbeck (OU)
    # exploration:
    env.append_transform(InitTracker())

    return env

并行执行

以下辅助函数允许我们并行运行环境。并行运行环境可以显著加快收集吞吐量。使用转换后的环境时，我们需要选择是为每个环境单独执行转换，还是集中数据并批量处理。两种方法都易于编码

env = ParallelEnv(
    lambda: TransformedEnv(GymEnv("HalfCheetah-v4"), transforms),
    num_workers=4
)
env = TransformedEnv(
    ParallelEnv(lambda: GymEnv("HalfCheetah-v4"), num_workers=4),
    transforms
)

为了利用 PyTorch 的矢量化能力，我们采用第一种方法

def parallel_env_constructor(
    env_per_collector,
    transform_state_dict,
):
    if env_per_collector == 1:

        def make_t_env():
            env = make_transformed_env(make_env())
            env.transform[2].init_stats(3)
            env.transform[2].loc.copy_(transform_state_dict["loc"])
            env.transform[2].scale.copy_(transform_state_dict["scale"])
            return env

        env_creator = EnvCreator(make_t_env)
        return env_creator

    parallel_env = ParallelEnv(
        num_workers=env_per_collector,
        create_env_fn=EnvCreator(lambda: make_env()),
        create_env_kwargs=None,
        pin_memory=False,
    )
    env = make_transformed_env(parallel_env)
    # we call `init_stats` for a limited number of steps, just to instantiate
    # the lazy buffers.
    env.transform[2].init_stats(3, cat_dim=1, reduce_dim=[0, 1])
    env.transform[2].load_state_dict(transform_state_dict)
    return env


# The backend can be ``gym`` or ``dm_control``
backend = "gym"

注意

frame_skip 使用一个动作将多个步骤批处理在一起。如果 > 1，则需要调整其他帧计数（例如，frames_per_batch、total_frames）以获得跨实验一致的总收集帧数。这很重要，因为提高 frame_skip 但保持总帧数不变可能看起来像作弊：所有因素都相同，具有 frame_skip 为 2 的 10M 元素数据集和具有 frame_skip 为 1 的数据集实际上具有 2:1 的环境交互比例！简而言之，在处理 frame skipping 时，应谨慎考虑训练脚本的帧计数，因为这可能导致训练策略之间的比较存在偏差。

缩放奖励有助于我们控制信号幅度，以实现更有效的学习。

reward_scaling = 5.0

我们还定义了轨迹何时将被截断。对于 cheetah 任务，一千步（如果 frame_skip = 2，则为 500 步）是一个不错的数字。

max_frames_per_traj = 500

观察值归一化

为了计算归一化统计数据，我们运行任意数量的随机步骤，并在收集的观察值中计算均值和标准差。为此可以使用 ObservationNorm.init_stats() 方法。为了获得汇总统计数据，我们创建一个虚拟环境并运行它给定的步数，在给定的步数上收集数据并计算其汇总统计数据。

def get_env_stats():
    """Gets the stats of an environment."""
    proof_env = make_transformed_env(make_env())
    t = proof_env.transform[2]
    t.init_stats(init_env_steps)
    transform_state_dict = t.state_dict()
    proof_env.close()
    return transform_state_dict

归一化统计数据

用于使用 ObservationNorm 进行统计数据计算的随机步数

init_env_steps = 5000

transform_state_dict = get_env_stats()

每个数据收集器中的环境数量

env_per_collector = 4

我们将之前计算的统计数据传递给我们的环境的输出进行归一化

parallel_env = parallel_env_constructor(
    env_per_collector=env_per_collector,
    transform_state_dict=transform_state_dict,
)


from torchrl.data import Composite

构建模型

现在我们转向模型的设置。正如我们所见，DDPG 需要一个价值网络，该网络经过训练以估计状态-动作对的价值，以及一个参数化 Actor，它学习如何选择最大化该价值的动作。

回想一下，构建 TorchRL 模块需要两个步骤：

• 编写将用作网络的torch.nn.Module，

• 将网络包装在 tensordict.nn.TensorDictModule 中，其中通过指定输入和输出键来处理数据流。

在更复杂的场景中，还可以使用 tensordict.nn.TensorDictSequential。

Q 值网络被包装在 ValueOperator 中，它会自动将 out_keys 设置为"state_action_value"（对于 q 值网络）和"state_value"（对于其他价值网络）。

TorchRL 提供了 DDPG 网络内置版本，如原始论文所示。这些可以在 DdpgMlpActor 和 DdpgMlpQNet 中找到。

由于我们使用惰性模块，因此在能够将策略从设备移动到设备并执行其他操作之前，有必要具体化惰性模块。因此，使用少量数据运行模块是一个好习惯。为此，我们从环境规范生成伪数据。

from torchrl.modules import (
    ActorCriticWrapper,
    DdpgMlpActor,
    DdpgMlpQNet,
    OrnsteinUhlenbeckProcessModule,
    ProbabilisticActor,
    TanhDelta,
    ValueOperator,
)


def make_ddpg_actor(
    transform_state_dict,
    device="cpu",
):
    proof_environment = make_transformed_env(make_env())
    proof_environment.transform[2].init_stats(3)
    proof_environment.transform[2].load_state_dict(transform_state_dict)

    out_features = proof_environment.action_spec.shape[-1]

    actor_net = DdpgMlpActor(
        action_dim=out_features,
    )

    in_keys = ["observation_vector"]
    out_keys = ["param"]

    actor = TensorDictModule(
        actor_net,
        in_keys=in_keys,
        out_keys=out_keys,
    )

    actor = ProbabilisticActor(
        actor,
        distribution_class=TanhDelta,
        in_keys=["param"],
        spec=Composite(action=proof_environment.action_spec),
    ).to(device)

    q_net = DdpgMlpQNet()

    in_keys = in_keys + ["action"]
    qnet = ValueOperator(
        in_keys=in_keys,
        module=q_net,
    ).to(device)

    # initialize lazy modules
    qnet(actor(proof_environment.reset().to(device)))
    return actor, qnet


actor, qnet = make_ddpg_actor(
    transform_state_dict=transform_state_dict,
    device=device,
)

探索

策略被传递到 OrnsteinUhlenbeckProcessModule 探索模块，如原始论文所述。让我们定义 OU 噪声达到最小值之前的帧数。

annealing_frames = 1_000_000

actor_model_explore = TensorDictSequential(
    actor,
    OrnsteinUhlenbeckProcessModule(
        spec=actor.spec.clone(),
        annealing_num_steps=annealing_frames,
    ).to(device),
)
if device == torch.device("cpu"):
    actor_model_explore.share_memory()

数据收集器 (Data collector)

TorchRL 提供了专门的类来帮助您通过在环境中执行策略来收集数据。这些“数据收集器”会迭代地计算给定时间要执行的动作，然后执行环境中的一个步骤，并在需要时重置环境。数据收集器的设计目的是让开发者能够严格控制每批数据的帧数、收集的（异步）性质以及分配给数据收集器的资源（例如 GPU、工作线程数等）。

在这里，我们将使用 SyncDataCollector，这是一个简单的单进程数据收集器。TorchRL 提供其他收集器，例如 MultiaSyncDataCollector，它以异步方式执行滚动，（例如，数据将在策略优化时收集，从而将训练和数据收集解耦）。

需要指定的参数是：

• 环境工厂或环境，

• 策略，

• 在收集器被视为为空之前，总帧数。

• 每条轨迹的最大帧数（对于非终止环境，如 dm_control 环境很有用）。

  注意

  传递给收集器的 max_frames_per_traj 参数将导致在用于推理的环境中注册一个新的 StepCounter 转换。我们可以在此脚本中手动实现相同的结果。

还应传递：

• 每个收集批次中的帧数，

• 独立于策略执行的随机步数，

• 用于策略执行的设备。

• 用于在数据传递给主进程之前存储数据的设备。

训练期间使用的总帧数应约为 100 万。

total_frames = 10_000  # 1_000_000

在外部循环的每次迭代中，收集器返回的总帧数等于子轨迹的长度乘以在每个收集器中并行运行的环境数量。

换句话说，我们期望收集器的批次形状为 [env_per_collector, traj_len]，其中 traj_len=frames_per_batch/env_per_collector。

traj_len = 200
frames_per_batch = env_per_collector * traj_len
init_random_frames = 5000
num_collectors = 2

from torchrl.collectors import SyncDataCollector
from torchrl.envs import ExplorationType

collector = SyncDataCollector(
    parallel_env,
    policy=actor_model_explore,
    total_frames=total_frames,
    frames_per_batch=frames_per_batch,
    init_random_frames=init_random_frames,
    reset_at_each_iter=False,
    split_trajs=False,
    device=collector_device,
    exploration_type=ExplorationType.RANDOM,
)

评估器：构建您的记录对象

由于训练数据是通过某种探索策略获得的，因此需要以确定性模式评估我们算法的真实性能。我们使用一个专用类 LogValidationReward 来做到这一点，该类以给定的频率在环境中执行策略并返回从这些模拟中获得的统计数据。

以下辅助函数构建此对象。

from torchrl.trainers import LogValidationReward


def make_recorder(actor_model_explore, transform_state_dict, record_interval):
    base_env = make_env()
    environment = make_transformed_env(base_env)
    environment.transform[2].init_stats(
        3
    )  # must be instantiated to load the state dict
    environment.transform[2].load_state_dict(transform_state_dict)

    recorder_obj = LogValidationReward(
        record_frames=1000,
        policy_exploration=actor_model_explore,
        environment=environment,
        exploration_type=ExplorationType.DETERMINISTIC,
        record_interval=record_interval,
    )
    return recorder_obj

我们将每收集 10 个批次记录一次性能。

record_interval = 10

recorder = make_recorder(
    actor_model_explore, transform_state_dict, record_interval=record_interval
)

from torchrl.data.replay_buffers import (
    LazyMemmapStorage,
    PrioritizedSampler,
    RandomSampler,
    TensorDictReplayBuffer,
)

回放缓冲区 (Replay buffer)

回放缓冲区有两种类型：优先（其中使用某些错误信号来赋予某些项比其他项更高的采样概率）和常规的循环经验回放。

TorchRL 回放缓冲区是可组合的：可以选择存储、采样和写入策略。还可以使用内存映射数组将张量存储在物理内存中。以下函数负责使用所需的超参数创建回放缓冲区。

from torchrl.envs import RandomCropTensorDict


def make_replay_buffer(buffer_size, batch_size, random_crop_len, prefetch=3, prb=False):
    if prb:
        sampler = PrioritizedSampler(
            max_capacity=buffer_size,
            alpha=0.7,
            beta=0.5,
        )
    else:
        sampler = RandomSampler()
    replay_buffer = TensorDictReplayBuffer(
        storage=LazyMemmapStorage(
            buffer_size,
            scratch_dir=buffer_scratch_dir,
        ),
        batch_size=batch_size,
        sampler=sampler,
        pin_memory=False,
        prefetch=prefetch,
        transform=RandomCropTensorDict(random_crop_len, sample_dim=1),
    )
    return replay_buffer

我们将把回放缓冲区存储在磁盘上的临时目录中。

import tempfile

tmpdir = tempfile.TemporaryDirectory()
buffer_scratch_dir = tmpdir.name

回放缓冲区存储和批处理大小

TorchRL 回放缓冲区沿第一个维度计数元素。由于我们将把轨迹馈送到缓冲区，我们需要通过除以数据收集器生成的子轨迹长度来调整缓冲区大小。关于批处理大小，我们的采样策略将包括对长度为 traj_len=200 的轨迹进行采样，然后再选择长度为 random_crop_len=25 的子轨迹，在此之上将计算损失。此策略平衡了存储特定长度的整个轨迹的选择与为我们的损失提供足够异质性样本的需求。下图显示了数据流：从一个收集器，该收集器在每个批次中获取 8 帧，在其中 2 个环境并行运行，将它们馈送到包含 1000 条轨迹的回放缓冲区，并从中采样长度为 2 个时间步的子轨迹。

让我们从缓冲区中存储的帧数开始。

def ceil_div(x, y):
    return -x // (-y)


buffer_size = 1_000_000
buffer_size = ceil_div(buffer_size, traj_len)

优先回放缓冲区默认禁用。

prb = False

我们还需要定义每个收集的批次将执行多少次更新。这被称为更新到数据比率或 UTD 比率。

update_to_data = 64

我们将使用长度为 25 的轨迹馈送损失。

random_crop_len = 25

在原始论文中，作者对收集的每一帧进行 64 个元素的批处理进行一次更新。在这里，我们复制相同的比例，但在每次批处理收集时进行多次更新。我们调整批处理大小以实现相同的每帧更新比率。

batch_size = ceil_div(64 * frames_per_batch, update_to_data * random_crop_len)

replay_buffer = make_replay_buffer(
    buffer_size=buffer_size,
    batch_size=batch_size,
    random_crop_len=random_crop_len,
    prefetch=3,
    prb=prb,
)

损失模块构建

我们使用刚刚创建的 Actor 和 qnet 来构建我们的损失模块。由于我们需要更新目标参数，因此我们**必须**创建一个目标网络更新器。

gamma = 0.99
lmbda = 0.9
tau = 0.001  # Decay factor for the target network

loss_module = DDPGLoss(actor, qnet)

让我们使用 TD(lambda) 估计器！

loss_module.make_value_estimator(ValueEstimators.TDLambda, gamma=gamma, lmbda=lmbda)

注意

非策略通常指定 TD(0) 估计器。在这里，我们使用 TD(\(\lambda\)) 估计器，它会引入一些偏差，因为在某个状态之后跟随的轨迹是用过时的策略收集的。这个技巧，就像数据收集期间可以使用多步技巧一样，是“技巧”的替代版本，这些技巧通常在实践中效果很好，尽管它们会在回报估计中引入一些偏差。

目标网络更新器

目标网络是非策略 RL 算法的关键部分。通过 HardUpdate 和 SoftUpdate 类，可以轻松更新目标网络参数。它们以损失模块作为参数构建，并通过在训练循环的适当位置调用updater.step() 来实现更新。

from torchrl.objectives.utils import SoftUpdate

target_net_updater = SoftUpdate(loss_module, eps=1 - tau)

优化器

最后，我们将使用 Adam 优化器来更新策略和价值网络。

from torch import optim

optimizer_actor = optim.Adam(
    loss_module.actor_network_params.values(True, True), lr=1e-4, weight_decay=0.0
)
optimizer_value = optim.Adam(
    loss_module.value_network_params.values(True, True), lr=1e-3, weight_decay=1e-2
)
total_collection_steps = total_frames // frames_per_batch

训练策略的时间

现在我们已经构建了所有需要的模块，训练循环非常直接。

rewards = []
rewards_eval = []

# Main loop

collected_frames = 0
pbar = tqdm.tqdm(total=total_frames)
r0 = None
for i, tensordict in enumerate(collector):

    # update weights of the inference policy
    collector.update_policy_weights_()

    if r0 is None:
        r0 = tensordict["next", "reward"].mean().item()
    pbar.update(tensordict.numel())

    # extend the replay buffer with the new data
    current_frames = tensordict.numel()
    collected_frames += current_frames
    replay_buffer.extend(tensordict.cpu())

    # optimization steps
    if collected_frames >= init_random_frames:
        for _ in range(update_to_data):
            # sample from replay buffer
            sampled_tensordict = replay_buffer.sample().to(device)

            # Compute loss
            loss_dict = loss_module(sampled_tensordict)

            # optimize
            loss_dict["loss_actor"].backward()
            gn1 = torch.nn.utils.clip_grad_norm_(
                loss_module.actor_network_params.values(True, True), 10.0
            )
            optimizer_actor.step()
            optimizer_actor.zero_grad()

            loss_dict["loss_value"].backward()
            gn2 = torch.nn.utils.clip_grad_norm_(
                loss_module.value_network_params.values(True, True), 10.0
            )
            optimizer_value.step()
            optimizer_value.zero_grad()

            gn = (gn1**2 + gn2**2) ** 0.5

            # update priority
            if prb:
                replay_buffer.update_tensordict_priority(sampled_tensordict)
            # update target network
            target_net_updater.step()

    rewards.append(
        (
            i,
            tensordict["next", "reward"].mean().item(),
        )
    )
    td_record = recorder(None)
    if td_record is not None:
        rewards_eval.append((i, td_record["r_evaluation"].item()))
    if len(rewards_eval) and collected_frames >= init_random_frames:
        target_value = loss_dict["target_value"].item()
        loss_value = loss_dict["loss_value"].item()
        loss_actor = loss_dict["loss_actor"].item()
        rn = sampled_tensordict["next", "reward"].mean().item()
        rs = sampled_tensordict["next", "reward"].std().item()
        pbar.set_description(
            f"reward: {rewards[-1][1]: 4.2f} (r0 = {r0: 4.2f}), "
            f"reward eval: reward: {rewards_eval[-1][1]: 4.2f}, "
            f"reward normalized={rn :4.2f}/{rs :4.2f}, "
            f"grad norm={gn: 4.2f}, "
            f"loss_value={loss_value: 4.2f}, "
            f"loss_actor={loss_actor: 4.2f}, "
            f"target value: {target_value: 4.2f}"
        )

    # update the exploration strategy
    actor_model_explore[1].step(current_frames)

collector.shutdown()
del collector

try:
    parallel_env.close()
    del parallel_env
except Exception:
    pass

实验结果

我们对训练期间的平均奖励进行了一个简单的绘图。我们可以观察到我们的策略在解决任务方面表现得相当好。

注意

如上所述，为了获得更合理的结果，请使用更大的 total_frames 值，例如 100 万。

from matplotlib import pyplot as plt

plt.figure()
plt.plot(*zip(*rewards), label="training")
plt.plot(*zip(*rewards_eval), label="eval")
plt.legend()
plt.xlabel("iter")
plt.ylabel("reward")
plt.tight_layout()

结论

在本教程中，我们以 DDPG 为具体示例，学习了如何在 TorchRL 中编写损失模块。

关键要点是：

• 如何使用 LossModule 类来编写新的损失组件；

• 如何使用（或不使用）目标网络，以及如何更新其参数；

• 如何创建与损失模块关联的优化器。

下一步

为了进一步迭代此损失模块，我们可以考虑：

• 使用 @dispatch（参见[Feature] Distpatch IQL loss module）。

• 允许灵活的 TensorDict 键。