EGreedyModule

class torchrl.modules.EGreedyModule(*args, **kwargs)

Epsilon-Greedy 探索模块。

此模块根据 epsilon 贪婪探索策略随机更新 tensordict 中的动作。每次调用时，会根据一定的概率阈值执行随机抽取（每个动作一个）。如果成功，相应的动作将被替换为从提供的动作规范中抽取的随机样本。其他动作保持不变。

参数:

• spec (TensorSpec) – 用于采样动作的规范。

• eps_init (标量, 可选) – 初始 epsilon 值。默认为 1.0

• eps_end (标量, 可选) – 最终 epsilon 值。默认为 0.1

• annealing_num_steps (int, 可选) – epsilon 达到 eps_end 值所需的步数。默认为 1000。

关键字参数:

• action_key (NestedKey, 可选) – 在输入 tensordict 中找到动作的键。默认为 "action"。

• action_mask_key (NestedKey, 可选) – 在输入 tensordict 中找到动作掩码的键。默认为 None（表示没有掩码）。

• device (torch.device, 可选) – 探索模块的设备。

注意

在训练循环中调用 step() 来更新探索因子至关重要。由于很难捕获这种遗漏，如果遗漏了将不会引发任何警告或异常！

示例

>>> import torch
>>> from tensordict import TensorDict
>>> from tensordict.nn import TensorDictSequential
>>> from torchrl.modules import EGreedyModule, Actor
>>> from torchrl.data import Bounded
>>> torch.manual_seed(0)
>>> spec = Bounded(-1, 1, torch.Size([4]))
>>> module = torch.nn.Linear(4, 4, bias=False)
>>> policy = Actor(spec=spec, module=module)
>>> explorative_policy = TensorDictSequential(policy,  EGreedyModule(eps_init=0.2))
>>> td = TensorDict({"observation": torch.zeros(10, 4)}, batch_size=[10])
>>> print(explorative_policy(td).get("action"))
tensor([[ 0.0000,  0.0000,  0.0000,  0.0000],
        [ 0.0000,  0.0000,  0.0000,  0.0000],
        [ 0.9055, -0.9277, -0.6295, -0.2532],
        [ 0.0000,  0.0000,  0.0000,  0.0000],
        [ 0.0000,  0.0000,  0.0000,  0.0000],
        [ 0.0000,  0.0000,  0.0000,  0.0000],
        [ 0.0000,  0.0000,  0.0000,  0.0000],
        [ 0.0000,  0.0000,  0.0000,  0.0000],
        [ 0.0000,  0.0000,  0.0000,  0.0000],
        [ 0.0000,  0.0000,  0.0000,  0.0000]], grad_fn=<AddBackward0>)

forward(tensordict: TensorDictBase) → TensorDictBase

定义每次调用时执行的计算。

所有子类都应重写此方法。

注意

虽然前向传递的实现需要在此函数内定义，但应该在之后调用 Module 实例而不是此函数，因为前者负责运行已注册的钩子，而后者则会静默地忽略它们。

step(frames: int = 1) → None

epsilon 衰减的一步。

在调用此方法 self.annealing_num_steps 次后，后续调用将无效。

参数:

frames (int, 可选) – 自上次调用以来经过的帧数。默认为 1。