模型优化入门¶

注意

要在 notebook 中运行本教程，请在开头添加一个安装单元格，其中包含：

!pip install tensordict
!pip install torchrl

在 TorchRL 中，我们尝试按照 PyTorch 的惯例来处理优化，使用专用的损失模块，这些模块的唯一目的是优化模型。这种方法有效地将策略的执行与其训练分离开来，使我们能够设计出与传统监督学习示例中找到的训练循环相似的训练循环。

因此，典型的训练循环如下所示：

..code - block::Python

>>> for i in range(n_collections):
...     data = get_next_batch(env, policy)
...     for j in range(n_optim):
...         loss = loss_fn(data)
...         loss.backward()
...         optim.step()

在本简短教程中，您将获得对损失模块的简要概述。由于基本用法的 API 通常很简单，因此本教程将保持简短。

强化学习目标函数¶

在强化学习中，创新通常涉及探索优化策略的新方法（即新算法），而不是像其他领域那样专注于新架构。在 TorchRL 中，这些算法被封装在损失模块中。损失模块协调您算法的各个组件，并产生一组损失值，这些值可以被反向传播以训练相应的组件。

在本教程中，我们将以一个流行的离策略算法为例，DDPG。

要构建损失模块，唯一需要的是定义为 :class:`~tensordict.nn.TensorDictModule` 的网络集。大多数情况下，其中一个模块将是策略。也可能需要其他辅助网络，例如 Q 值网络或某种形式的评估器。让我们看看实际情况：DDPG 需要一个从观察空间到动作空间的确定性映射，以及一个预测状态-动作对值的价值网络。DDPG 损失将尝试找到能够输出最大化给定状态价值的动作的策略参数。

为了构建损失，我们需要 Actor 和 Value 网络。如果它们是按照 DDPG 的预期构建的，那么它们就是我们获得可训练损失模块所需的一切。

from torchrl.envs import GymEnv

env = GymEnv("Pendulum-v1")

from torchrl.modules import Actor, MLP, ValueOperator
from torchrl.objectives import DDPGLoss

n_obs = env.observation_spec["observation"].shape[-1]
n_act = env.action_spec.shape[-1]
actor = Actor(MLP(in_features=n_obs, out_features=n_act, num_cells=[32, 32]))
value_net = ValueOperator(
    MLP(in_features=n_obs + n_act, out_features=1, num_cells=[32, 32]),
    in_keys=["observation", "action"],
)

ddpg_loss = DDPGLoss(actor_network=actor, value_network=value_net)

仅此而已！我们的损失模块现在可以使用来自环境的数据运行（我们省略了探索、存储和其他功能，以专注于损失功能）。

rollout = env.rollout(max_steps=100, policy=actor)
loss_vals = ddpg_loss(rollout)
print(loss_vals)

LossModule 的输出¶

如您所见，我们从损失中收到的值不是单个标量，而是一个包含多个损失的字典。

原因很简单：因为可能一次会训练多个网络，并且由于某些用户可能希望将每个模块的优化分成不同的步骤，因此 TorchRL 的目标将返回包含各种损失组件的字典。

这种格式还允许我们将元数据与损失值一起传递。通常，我们确保只有损失值是可微分的，因此您可以简单地对字典中的值求和以获得总损失。如果您想确保您完全控制正在发生的事情，您可以只对键以 "loss_" 前缀开头的条目求和。

total_loss = 0
for key, val in loss_vals.items():
    if key.startswith("loss_"):
        total_loss += val

训练 LossModule¶

鉴于以上所有内容，训练模块与任何其他训练循环中的操作并没有太大区别。因为它封装了模块，所以获取可训练参数列表的最简单方法是查询 parameters() 方法。

我们将需要一个优化器（或者如果您选择，每个模块一个优化器）。

from torch.optim import Adam

optim = Adam(ddpg_loss.parameters())
total_loss.backward()

以下项目通常会在您的训练循环中找到：

optim.step()
optim.zero_grad()

进一步考虑：目标参数¶

另一个需要考虑的重要方面是 DDPG 等离策略算法中的目标参数。目标参数通常代表参数随时间延迟或平滑的版本，并且它们在策略训练期间的价值估计中起着至关重要的作用。与使用当前价值网络参数配置相比，使用目标参数进行策略训练通常效率更高。通常，目标参数的管理由损失模块处理，让用户无需直接关心。但是，用户仍有责任根据具体要求及时更新这些值。TorchRL 提供了几个更新器，即 HardUpdate 和 SoftUpdate，它们可以轻松实例化，而无需深入了解损失模块的底层机制。

from torchrl.objectives import SoftUpdate

updater = SoftUpdate(ddpg_loss, eps=0.99)

在您的训练循环中，您需要在每个优化步骤或每个收集步骤中更新目标参数。

updater.step()

以上是您入门所需的有关损失模块的所有知识！

要进一步探索该主题，请查看：

《损失模块参考页面》；
《编写 DDPG 损失教程》；
在 PPO 或 DQN 中损失的应用。

由 Sphinx-Gallery 生成的画廊