目录
  • 文档 >
  • 钟摆：使用 TorchRL 编写您的环境和变换
快捷方式
tutorials/pendulum

注意

跳至末尾 下载完整的示例代码。

Pendulum：使用 TorchRL 编写你的环境和变换

作者：Vincent Moens

创建环境（模拟器或物理控制系统的接口）是强化学习和控制工程中不可或缺的一部分。

TorchRL 提供了一套工具，可在多种上下文中完成此操作。本教程将演示如何使用 PyTorch 和 TorchRL 从头开始编写一个 Pendulum 模拟器。该教程深受 OpenAI-Gym/Farama-Gymnasium 控制库 的 Pendulum-v1 实现的启发。

Pendulum

简单摆锤

主要学习内容

  • 如何在 TorchRL 中设计环境：- 编写规范（输入、观察和奖励）；- 实现行为：设置种子、重置和步进。

  • 转换环境的输入和输出，并编写自己的变换；

  • 如何使用 TensorDict 在 codebase 中传递任意数据结构。

    在此过程中，我们将涉及 TorchRL 的三个关键组件：

为了展示 TorchRL 环境的潜力，我们将设计一个无状态环境。有状态环境会跟踪遇到的最新物理状态，并依赖此状态来模拟状态到状态的转换，而无状态环境则期望在每一步都接收当前状态以及执行的动作。TorchRL 支持这两种类型的环境，但无状态环境更通用，因此涵盖了 TorchRL 环境 API 的更广泛功能。

对无状态环境进行建模可使用户完全控制模拟器的输入和输出：可以在任何阶段重置实验或从外部主动修改动态。但是，这假定我们对任务有一定的控制，而事实并非总是如此：解决我们无法控制当前状态的问题更具挑战性，但具有更广泛的应用集。

无状态环境的另一个优点是它们可以实现转换模拟的批处理执行。如果后端和实现允许，代数运算可以无缝地在标量、向量或张量上执行。本教程提供了此类示例。

本教程将按以下结构进行：

  • 我们将首先熟悉环境属性：其形状（batch_size）、其方法（主要是 step()、reset() 和 set_seed()）以及最终的规范。

  • 在编写完模拟器后，我们将演示如何在训练过程中使用变换。

  • 我们将探索 TorchRL API 带来的一些新途径，包括：转换输入的可能性、模拟的矢量化执行以及通过模拟图进行反向传播的可能性。

  • 最后，我们将训练一个简单的策略来解决我们实现的系统。

此类中包含此环境的内置版本：~torchrl.envs.PendulumEnv。

from collections import defaultdict

import numpy as np
import torch
import tqdm
from tensordict import TensorDict, TensorDictBase
from tensordict.nn import TensorDictModule
from torch import nn

from torchrl.data import Bounded, Composite, Unbounded
from torchrl.envs import (
    CatTensors,
    EnvBase,
    Transform,
    TransformedEnv,
    UnsqueezeTransform,
)
from torchrl.envs.transforms.transforms import _apply_to_composite
from torchrl.envs.utils import check_env_specs, step_mdp

DEFAULT_X = np.pi
DEFAULT_Y = 1.0

在设计新的环境类时，有四件事你需要注意：

  • EnvBase._reset()，它负责在（可能随机的）初始状态下重置模拟器；

  • EnvBase._step()，它负责状态转换的动态；

  • EnvBase._set_seed()，它实现了播种机制；

  • 环境规范。

让我们先描述一下手头的问题：我们想模拟一个简单的摆锤，我们可以控制其固定点的扭矩。我们的目标是将摆锤放置在向上位置（约定为角度为 0），并使其在该位置静止。为了设计我们的动态系统，我们需要定义两个方程：根据动作（施加的扭矩）的运动方程和构成我们目标函数的奖励方程。

对于运动方程，我们将根据以下公式更新角速度：

\[\dot{\theta}_{t+1} = \dot{\theta}_t + (3 * g / (2 * L) * \sin(\theta_t) + 3 / (m * L^2) * u) * dt\]

其中 \(\dot{\theta}\) 是角速度（以弧度/秒为单位），\(g\) 是重力加速度，\(L\) 是摆锤长度，\(m\) 是其质量，\(\theta\) 是其角度位置，\(u\) 是扭矩。然后根据以下公式更新角度位置：

\[\theta_{t+1} = \theta_{t} + \dot{\theta}_{t+1} dt\]

我们将奖励定义为：

\[r = -(\theta^2 + 0.1 * \dot{\theta}^2 + 0.001 * u^2)\]

当角度接近 0（摆锤处于向上位置）、角速度接近 0（无运动）且扭矩也为 0 时，这将最大化。

编码动作的效果：_step()

步进方法是首先要考虑的，因为它将编码我们感兴趣的模拟。在 TorchRL 中，EnvBase 类有一个 EnvBase.step() 方法，该方法接收一个 tensordict.TensorDict 实例，其中包含一个 "action" 条目，指示要执行的动作。

为了方便读写 tensordict，并确保键与库的期望一致，模拟部分已委托给私有的抽象方法 _step()，该方法从 tensordict 读取输入数据，并写入一个新的 tensordict 包含输出数据。

_step() 方法应执行以下操作：

  1. 读取输入键（如 "action"）并基于这些键执行模拟；

  2. 检索观察值、完成状态和奖励；

  3. 将观察值、奖励和完成状态集写入新的 TensorDict 中的相应条目。

接下来，step() 方法将 step() 的输出合并到输入 tensordict 中，以强制执行输入/输出一致性。

通常，对于有状态环境，它看起来像这样：

>>> policy(env.reset())
>>> print(tensordict)
TensorDict(
    fields={
        action: Tensor(shape=torch.Size([1]), device=cpu, dtype=torch.float32, is_shared=False),
        done: Tensor(shape=torch.Size([1]), device=cpu, dtype=torch.bool, is_shared=False),
        observation: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False)},
    batch_size=torch.Size([]),
    device=cpu,
    is_shared=False)
>>> env.step(tensordict)
>>> print(tensordict)
TensorDict(
    fields={
        action: Tensor(shape=torch.Size([1]), device=cpu, dtype=torch.float32, is_shared=False),
        done: Tensor(shape=torch.Size([1]), device=cpu, dtype=torch.bool, is_shared=False),
        next: TensorDict(
            fields={
                done: Tensor(shape=torch.Size([1]), device=cpu, dtype=torch.bool, is_shared=False),
                observation: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
                reward: Tensor(shape=torch.Size([1]), device=cpu, dtype=torch.float32, is_shared=False)},
            batch_size=torch.Size([]),
            device=cpu,
            is_shared=False),
        observation: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False)},
    batch_size=torch.Size([]),
    device=cpu,
    is_shared=False)

请注意，根 tensordict 没有改变，唯一的修改是出现了一个新的 "next" 条目，其中包含新信息。

在 Pendulum 示例中，我们的 _step() 方法将从输入 tensordict 中读取相关条目，并计算在施加了 "action" 键编码的力后，摆锤的位置和速度。我们计算新的摆锤角度 "new_th"，它等于先前位置 "th" 加上新的速度 "new_thdot" 在时间间隔 dt 上的值。

由于我们的目标是使摆锤向上并保持静止，因此我们的 cost（负奖励）函数对于接近目标的位置和低速度来说较低。确实，我们想阻止那些偏离“向上”位置太远以及/或速度偏离 0 太远的情况。

在我们的示例中，EnvBase._step() 被编码为一个静态方法，因为我们的环境是无状态的。在有状态环境中，需要 self 参数，因为状态需要从环境中读取。

def _step(tensordict):
    th, thdot = tensordict["th"], tensordict["thdot"]  # th := theta

    g_force = tensordict["params", "g"]
    mass = tensordict["params", "m"]
    length = tensordict["params", "l"]
    dt = tensordict["params", "dt"]
    u = tensordict["action"].squeeze(-1)
    u = u.clamp(-tensordict["params", "max_torque"], tensordict["params", "max_torque"])
    costs = angle_normalize(th) ** 2 + 0.1 * thdot**2 + 0.001 * (u**2)

    new_thdot = (
        thdot
        + (3 * g_force / (2 * length) * th.sin() + 3.0 / (mass * length**2) * u) * dt
    )
    new_thdot = new_thdot.clamp(
        -tensordict["params", "max_speed"], tensordict["params", "max_speed"]
    )
    new_th = th + new_thdot * dt
    reward = -costs.view(*tensordict.shape, 1)
    done = torch.zeros_like(reward, dtype=torch.bool)
    out = TensorDict(
        {
            "th": new_th,
            "thdot": new_thdot,
            "params": tensordict["params"],
            "reward": reward,
            "done": done,
        },
        tensordict.shape,
    )
    return out


def angle_normalize(x):
    return ((x + torch.pi) % (2 * torch.pi)) - torch.pi

重置模拟器：_reset()

我们需要关注的第二个方法是 _reset() 方法。与 _step() 类似，它应该在输出的 tensordict 中写入观察条目以及可能的完成状态（如果省略完成状态，则父方法 reset() 会将其填充为 False）。在某些情况下，_reset 方法需要接收调用它的函数的命令（例如，在多代理设置中，我们可能需要指示哪些代理需要被重置）。这就是为什么 _reset() 方法也期望一个 tensordict 作为输入，尽管它可以是空的或 None。

父方法 EnvBase.reset() 进行一些简单的检查，就像 EnvBase.step() 所做的那样，例如确保 "done" 状态在输出 tensordict 中返回，并且形状与规范期望的相匹配。

对我们来说，唯一需要考虑的重要事情是 EnvBase._reset() 是否包含所有预期的观察值。再次强调，由于我们正在使用无状态环境，我们将摆锤的配置放在一个名为 "params" 的嵌套 tensordict 中。

在此示例中，我们不传递完成状态，因为这对于 _reset() 不是必需的，并且我们的环境是非终止的，所以我们总是期望它为 False。

def _reset(self, tensordict):
    if tensordict is None or tensordict.is_empty():
        # if no ``tensordict`` is passed, we generate a single set of hyperparameters
        # Otherwise, we assume that the input ``tensordict`` contains all the relevant
        # parameters to get started.
        tensordict = self.gen_params(batch_size=self.batch_size)

    high_th = torch.tensor(DEFAULT_X, device=self.device)
    high_thdot = torch.tensor(DEFAULT_Y, device=self.device)
    low_th = -high_th
    low_thdot = -high_thdot

    # for non batch-locked environments, the input ``tensordict`` shape dictates the number
    # of simulators run simultaneously. In other contexts, the initial
    # random state's shape will depend upon the environment batch-size instead.
    th = (
        torch.rand(tensordict.shape, generator=self.rng, device=self.device)
        * (high_th - low_th)
        + low_th
    )
    thdot = (
        torch.rand(tensordict.shape, generator=self.rng, device=self.device)
        * (high_thdot - low_thdot)
        + low_thdot
    )
    out = TensorDict(
        {
            "th": th,
            "thdot": thdot,
            "params": tensordict["params"],
        },
        batch_size=tensordict.shape,
    )
    return out

环境元数据：env.*_spec

规范定义了环境的输入和输出域。准确定义运行时接收的张量很重要，因为它们通常用于在多进程和分布式环境中传递环境信息。它们还可以用于实例化惰性定义的神经网络和测试脚本，而无需实际查询环境（例如，对于真实世界的物理系统，这可能会很昂贵）。

有四种规范是我们必须在环境中编写的：

  • EnvBase.observation_spec：这将是一个 CompositeSpec 实例，其中每个键都是一个观察值（CompositeSpec 可以看作是规范的字典）。

  • EnvBase.action_spec：它可以是任何类型的规范，但要求它对应于输入 tensordict 中的 "action" 条目；

  • EnvBase.reward_spec：提供有关奖励空间的信息；

  • EnvBase.done_spec：提供有关完成标志空间的信息。

TorchRL 规范分为两个通用容器：input_spec，其中包含 step 函数读取的信息的规范（分为 action_spec，包含动作，以及 state_spec，包含其余所有信息），以及 output_spec，它编码 step 输出的规范（observation_spec、reward_spec 和 done_spec）。通常，您不应直接与 output_spec 和 input_spec 交互，而应仅与其内容交互：observation_spec、reward_spec、done_spec、action_spec 和 state_spec。原因是规范在 output_spec 和 input_spec 中以非平凡的方式组织，并且这些都不应被直接修改。

换句话说，observation_spec 和相关属性是输出和输入规范容器内容的便捷快捷方式。

TorchRL 提供了多个 TensorSpec 子类 来编码环境的输入和输出特征。

规范形状

环境规范的前导维度必须与环境的批次大小匹配。这样做是为了强制使环境的每个组件（包括其变换）都能准确地表示预期的输入和输出形状。在有状态设置中，应准确编写此项。

对于非批次锁定环境，例如我们示例中的环境（见下文），这无关紧要，因为环境的批次大小很可能为空。

def _make_spec(self, td_params):
    # Under the hood, this will populate self.output_spec["observation"]
    self.observation_spec = Composite(
        th=Bounded(
            low=-torch.pi,
            high=torch.pi,
            shape=(),
            dtype=torch.float32,
        ),
        thdot=Bounded(
            low=-td_params["params", "max_speed"],
            high=td_params["params", "max_speed"],
            shape=(),
            dtype=torch.float32,
        ),
        # we need to add the ``params`` to the observation specs, as we want
        # to pass it at each step during a rollout
        params=make_composite_from_td(td_params["params"]),
        shape=(),
    )
    # since the environment is stateless, we expect the previous output as input.
    # For this, ``EnvBase`` expects some state_spec to be available
    self.state_spec = self.observation_spec.clone()
    # action-spec will be automatically wrapped in input_spec when
    # `self.action_spec = spec` will be called supported
    self.action_spec = Bounded(
        low=-td_params["params", "max_torque"],
        high=td_params["params", "max_torque"],
        shape=(1,),
        dtype=torch.float32,
    )
    self.reward_spec = Unbounded(shape=(*td_params.shape, 1))


def make_composite_from_td(td):
    # custom function to convert a ``tensordict`` in a similar spec structure
    # of unbounded values.
    composite = Composite(
        {
            key: make_composite_from_td(tensor)
            if isinstance(tensor, TensorDictBase)
            else Unbounded(dtype=tensor.dtype, device=tensor.device, shape=tensor.shape)
            for key, tensor in td.items()
        },
        shape=td.shape,
    )
    return composite

可复现的实验：播种

在初始化实验时，为环境设置种子是一项常见操作。EnvBase._set_seed() 的唯一目标是设置包含的模拟器的种子。如果可能，此操作不应调用 reset() 或与环境执行进行交互。父方法 EnvBase.set_seed() 包含一个机制，允许使用不同的伪随机且可复现的种子为多个环境设置种子。

def _set_seed(self, seed: int | None) -> None:
    rng = torch.manual_seed(seed)
    self.rng = rng

将各部分整合在一起：EnvBase 类

我们终于可以将各部分整合在一起，设计我们的环境类。规范初始化需要在环境构建过程中执行，因此我们必须在 PendulumEnv.__init__() 中调用 _make_spec() 方法。

我们添加了一个静态方法 PendulumEnv.gen_params()，该方法可确定性地生成一组将在执行过程中使用的超参数。

def gen_params(g=10.0, batch_size=None) -> TensorDictBase:
    """Returns a ``tensordict`` containing the physical parameters such as gravitational force and torque or speed limits."""
    if batch_size is None:
        batch_size = []
    td = TensorDict(
        {
            "params": TensorDict(
                {
                    "max_speed": 8,
                    "max_torque": 2.0,
                    "dt": 0.05,
                    "g": g,
                    "m": 1.0,
                    "l": 1.0,
                },
                [],
            )
        },
        [],
    )
    if batch_size:
        td = td.expand(batch_size).contiguous()
    return td

我们将环境定义为非batch_locked 的，将 homonymous 属性设置为 False。这意味着我们不会强制输入的 tensordict 的 batch-size 与环境的相匹配。

以下代码将把我们上面编写的部分整合在一起。

class PendulumEnv(EnvBase):
    metadata = {
        "render_modes": ["human", "rgb_array"],
        "render_fps": 30,
    }
    batch_locked = False

    def __init__(self, td_params=None, seed=None, device="cpu"):
        if td_params is None:
            td_params = self.gen_params()

        super().__init__(device=device, batch_size=[])
        self._make_spec(td_params)
        if seed is None:
            seed = torch.empty((), dtype=torch.int64).random_().item()
        self.set_seed(seed)

    # Helpers: _make_step and gen_params
    gen_params = staticmethod(gen_params)
    _make_spec = _make_spec

    # Mandatory methods: _step, _reset and _set_seed
    _reset = _reset
    _step = staticmethod(_step)
    _set_seed = _set_seed

测试我们的环境

TorchRL 提供了一个简单的函数 check_env_specs() 来检查（转换后的）环境的输入/输出结构是否与其规范匹配。让我们尝试一下：

env = PendulumEnv()
check_env_specs(env)

我们可以查看我们的规范，以获得环境签名的可视化表示：

print("observation_spec:", env.observation_spec)
print("state_spec:", env.state_spec)
print("reward_spec:", env.reward_spec)

我们还可以执行一些命令来检查输出结构是否与预期相符。

td = env.reset()
print("reset tensordict", td)

我们可以运行 env.rand_step() 来从 action_spec 域中随机生成一个动作。必须传入一个包含超参数和当前状态的 tensordict，因为我们的环境是无状态的。在有状态的上下文中，env.rand_step() 也能完美工作。

td = env.rand_step(td)
print("random step tensordict", td)

转换环境

为无状态模拟器编写环境变换比为有状态模拟器稍微复杂一些：转换一个需要在下一个迭代中读取的输出条目，需要在下一个步骤调用 meth.step() 之前应用逆变换。这是展示 TorchRL 变换所有功能的理想场景！

例如，在以下变换后的环境中，我们 unsqueeze 条目 ["th", "thdot"]，以便能够沿最后一个维度堆叠它们。我们还将它们作为 in_keys_inv 传递，以便在它们作为下一个迭代的输入时将它们挤压回原始形状。

env = TransformedEnv(
    env,
    # ``Unsqueeze`` the observations that we will concatenate
    UnsqueezeTransform(
        dim=-1,
        in_keys=["th", "thdot"],
        in_keys_inv=["th", "thdot"],
    ),
)

编写自定义变换

TorchRL 的变换可能无法涵盖您在环境执行后想要执行的所有操作。编写变换并不需要太多精力。与环境设计一样，编写变换有两个步骤：

  • 正确处理动态（正向和反向）；

  • 调整环境规范。

变换可以在两种设置中使用：本身可以作为 Module 使用。它也可以作为 TransformedEnv 的一个附加部分使用。该类的结构允许自定义不同上下文下的行为。

一个 Transform 的骨架可以总结如下：

class Transform(nn.Module):
    def forward(self, tensordict):
        ...
    def _apply_transform(self, tensordict):
        ...
    def _step(self, tensordict):
        ...
    def _call(self, tensordict):
        ...
    def inv(self, tensordict):
        ...
    def _inv_apply_transform(self, tensordict):
        ...

有三个入口点（forward()、_step() 和 inv()），它们都接收 tensordict.TensorDict 实例。前两个最终会通过 in_keys 指定的键，并对每个键调用 _apply_transform()。如果提供了 Transform.out_keys（否则 in_keys 将被转换后的值更新），结果将写入由 Transform.out_keys 指向的条目中。如果需要执行逆变换，类似的逻辑将执行，但使用 Transform.inv() 和 Transform._inv_apply_transform() 方法，并跨 in_keys_inv 和 out_keys_inv 键列表进行。下图总结了环境和回放缓冲区的数据流。

变换 API

在某些情况下，变换不会以单一方式作用于键的子集，而是会执行一些操作来作用于父环境或使用整个输入 tensordict。在这些情况下，应重写 _call() 和 forward() 方法，并可以跳过 _apply_transform() 方法。

让我们编写新的变换，计算位置角度的 sine 和 cosine 值，因为与原始角度值相比，这些值对于学习策略更有用：

class SinTransform(Transform):
    def _apply_transform(self, obs: torch.Tensor) -> None:
        return obs.sin()

    # The transform must also modify the data at reset time
    def _reset(
        self, tensordict: TensorDictBase, tensordict_reset: TensorDictBase
    ) -> TensorDictBase:
        return self._call(tensordict_reset)

    # _apply_to_composite will execute the observation spec transform across all
    # in_keys/out_keys pairs and write the result in the observation_spec which
    # is of type ``Composite``
    @_apply_to_composite
    def transform_observation_spec(self, observation_spec):
        return Bounded(
            low=-1,
            high=1,
            shape=observation_spec.shape,
            dtype=observation_spec.dtype,
            device=observation_spec.device,
        )


class CosTransform(Transform):
    def _apply_transform(self, obs: torch.Tensor) -> None:
        return obs.cos()

    # The transform must also modify the data at reset time
    def _reset(
        self, tensordict: TensorDictBase, tensordict_reset: TensorDictBase
    ) -> TensorDictBase:
        return self._call(tensordict_reset)

    # _apply_to_composite will execute the observation spec transform across all
    # in_keys/out_keys pairs and write the result in the observation_spec which
    # is of type ``Composite``
    @_apply_to_composite
    def transform_observation_spec(self, observation_spec):
        return Bounded(
            low=-1,
            high=1,
            shape=observation_spec.shape,
            dtype=observation_spec.dtype,
            device=observation_spec.device,
        )


t_sin = SinTransform(in_keys=["th"], out_keys=["sin"])
t_cos = CosTransform(in_keys=["th"], out_keys=["cos"])
env.append_transform(t_sin)
env.append_transform(t_cos)

将观察值连接到一个“observation”条目。 del_keys=False 确保我们保留这些值供下次迭代使用。

cat_transform = CatTensors(
    in_keys=["sin", "cos", "thdot"], dim=-1, out_key="observation", del_keys=False
)
env.append_transform(cat_transform)

再次，让我们检查一下我们的环境规范是否与接收到的相符：

check_env_specs(env)

执行一次轨迹执行

执行一次轨迹执行是一系列简单的步骤：

  • 重置环境

  • 当某个条件不满足时

    • 给定一个策略计算一个动作

    • 给定此动作执行一个步进

    • 收集数据

    • 执行一个 MDP 步进

  • 收集数据并返回

这些操作已方便地封装在 rollout() 方法中，我们将在下面提供其简化版本。

def simple_rollout(steps=100):
    # preallocate:
    data = TensorDict(batch_size=[steps])
    # reset
    _data = env.reset()
    for i in range(steps):
        _data["action"] = env.action_spec.rand()
        _data = env.step(_data)
        data[i] = _data
        _data = step_mdp(_data, keep_other=True)
    return data


print("data from rollout:", simple_rollout(100))

批处理计算

我们教程中最后一个未探索的方面是 TorchRL 中批处理计算的能力。因为我们的环境不对输入数据的形状做出任何假设，所以我们可以无缝地在数据批次上执行它。更好的是：对于非批次锁定环境（如我们的 Pendulum），我们可以动态更改批次大小而无需重新创建环境。为此，我们只需生成具有所需形状的参数。

batch_size = 10  # number of environments to be executed in batch
td = env.reset(env.gen_params(batch_size=[batch_size]))
print("reset (batch size of 10)", td)
td = env.rand_step(td)
print("rand step (batch size of 10)", td)

使用数据批次执行轨迹执行需要我们在轨迹执行函数外部重置环境，因为我们需要动态定义批次大小，而 rollout() 不支持此功能。

rollout = env.rollout(
    3,
    auto_reset=False,  # we're executing the reset out of the ``rollout`` call
    tensordict=env.reset(env.gen_params(batch_size=[batch_size])),
)
print("rollout of len 3 (batch size of 10):", rollout)

训练一个简单的策略

在本例中，我们将使用奖励作为可微分目标（例如负损失）来训练一个简单的策略。我们将利用我们的动态系统是完全可微分的事实，通过轨迹回报进行反向传播，并直接调整我们策略的权重以最大化此值。当然，在许多情况下，我们所做的假设（例如可微分系统和对底层机制的完全访问）并不成立。

尽管如此，这是一个非常简单的示例，展示了如何使用 TorchRL 中的自定义环境编写训练循环。

让我们先编写策略网络：

torch.manual_seed(0)
env.set_seed(0)

net = nn.Sequential(
    nn.LazyLinear(64),
    nn.Tanh(),
    nn.LazyLinear(64),
    nn.Tanh(),
    nn.LazyLinear(64),
    nn.Tanh(),
    nn.LazyLinear(1),
)
policy = TensorDictModule(
    net,
    in_keys=["observation"],
    out_keys=["action"],
)

以及我们的优化器：

optim = torch.optim.Adam(policy.parameters(), lr=2e-3)

训练循环

我们将依次执行以下操作：

  • 生成一个轨迹

  • 累加奖励

  • 通过操作定义的图进行反向传播

  • 剪辑梯度范数并执行优化步骤

  • 重复

在训练循环结束时，我们应该得到一个接近 0 的最终奖励，这表明摆锤已经向上并且静止，正如我们所期望的。

batch_size = 32
n_iter = 1000  # set to 20_000 for a proper training
pbar = tqdm.tqdm(range(n_iter // batch_size))
scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(optim, n_iter)
logs = defaultdict(list)

for _ in pbar:
    init_td = env.reset(env.gen_params(batch_size=[batch_size]))
    rollout = env.rollout(100, policy, tensordict=init_td, auto_reset=False)
    traj_return = rollout["next", "reward"].mean()
    (-traj_return).backward()
    gn = torch.nn.utils.clip_grad_norm_(net.parameters(), 1.0)
    optim.step()
    optim.zero_grad()
    pbar.set_description(
        f"reward: {traj_return: 4.4f}, "
        f"last reward: {rollout[..., -1]['next', 'reward'].mean(): 4.4f}, gradient norm: {gn: 4.4}"
    )
    logs["return"].append(traj_return.item())
    logs["last_reward"].append(rollout[..., -1]["next", "reward"].mean().item())
    scheduler.step()


def plot():
    import matplotlib
    from matplotlib import pyplot as plt

    is_ipython = "inline" in matplotlib.get_backend()
    if is_ipython:
        from IPython import display

    with plt.ion():
        plt.figure(figsize=(10, 5))
        plt.subplot(1, 2, 1)
        plt.plot(logs["return"])
        plt.title("returns")
        plt.xlabel("iteration")
        plt.subplot(1, 2, 2)
        plt.plot(logs["last_reward"])
        plt.title("last reward")
        plt.xlabel("iteration")
        if is_ipython:
            display.display(plt.gcf())
            display.clear_output(wait=True)
        plt.show()


plot()

结论

在本教程中，我们学会了如何从头开始编写无状态环境。我们探讨了以下主题：

  • 编写环境时需要注意的四个基本组件（step、reset、播种和构建规范）。我们看到了这些方法和类如何与 TensorDict 类进行交互；

  • 如何使用 check_env_specs() 测试环境是否已正确编写；

  • 如何在无状态环境的上下文中附加变换以及如何编写自定义变换；

  • 如何在一个完全可微分的模拟器上训练策略。

由 Sphinx-Gallery 生成的画廊

文档

访问全面的 PyTorch 开发者文档

查看文档

教程

为初学者和高级开发者提供深入的教程

查看教程

资源

查找开发资源并让您的问题得到解答

查看资源

为了分析流量并优化您的体验，我们在此网站上使用 Cookie。点击或浏览即表示您同意我们使用 Cookie。作为本网站的当前维护者，Facebook 的 Cookie 政策适用。了解更多信息，包括可用的控件： Cookie 政策。