A2CLoss¶

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

TorchRL 实现 A2C 损失。

A2C (Advantage Actor Critic) 是一种无模型、在线强化学习算法，它使用 n 步并行回放来更新策略，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) – 值算子。
entropy_bonus (bool) – 如果为 True，则会向损失中添加熵奖励，以鼓励探索性策略。
samples_mc_entropy (int) – 如果从策略算子检索到的分布没有熵的封闭形式公式，将使用蒙特卡洛估计。 samples_mc_entropy 将控制用于计算此估计的样本数量。默认为 1。
entropy_coeff (float) – 熵损失的权重。默认为 0.01`。
critic_coeff (float) – 评论员损失的权重。默认为 1.0。如果为 None，则不会包含评论员损失，并且 in-keys 将缺少评论员输入。
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, optional) – 如果为 True，则策略和评论员之间的共享参数仅根据策略损失进行训练。默认为 False，即梯度会针对策略和评论员损失的共享参数进行传播。
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。默认为“advantage”
value_target_key (str) – [已弃用，请改用 set_keys() ] 预期写入目标状态值的输入 tensordict 键。默认为 "value_target"。
functional (bool, optional) – 模块是否被功能化。功能化允许元 RL 等特性，但使分布式模型（DDP、FSDP 等）无法使用，并带来少量开销。默认为 True。
reduction (str, optional) – 指定应用于输出的归约： "none" | "mean" | "sum"。 "none"：不应用归约， "mean"：输出的总和除以输出中的元素数量， "sum"：对输出进行求和。默认： "mean"。
clip_value (float, optional) – 如果提供，它将用于计算输入值估计值的裁剪版本，并用于计算值损失。裁剪的目的是限制极端值估计的影响，有助于稳定训练并防止大更新。但是，如果值估计是由当前版本的值估计器完成的，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，也可以在不使用任何 tensordict 相关原语的情况下使用。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。返回值是一个张量元组，顺序如下： ["loss_objective"] + ["loss_critic"]（如果 critic_coeff 不是 None） + ["entropy", "loss_entropy"]（如果 entropy_bonus 为 True 且 critic_coeff 不是 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
>>> _ = 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 的模块兼容性存在一个例外。如果 actor 网络是概率性的并使用 CompositeDistribution，则此类必须与 tensordicts 一起使用，并且不能作为与 tensordict 无关的模块。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]¶

返回评论员的损失值，如果 critic_coeff 不是 None，则乘以 critic_coeff。

返回损失和裁剪分数。

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。生成的价值估计器类将被注册在 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() 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