IQLLoss¶

class torchrl.objectives.IQLLoss(*args, **kwargs)[source]¶

TorchRL 实现的 IQL 损失。

在“Offline Reinforcement Learning with Implicit Q-Learning”中提出 https://arxiv.org/abs/2110.06169

参数:

actor_network (ProbabilisticActor) – 随机策略
qvalue_network (TensorDictModule) –
Q(s, a) 参数化模型如果提供了单个 qvalue_network 实例，它将被复制 num_qvalue_nets 次。如果传递的是模块列表，它们的参数将被堆叠，除非它们共享相同的标识（在这种情况下，原始参数将被扩展）。

警告

当传入参数列表时，它 __不会__ 与策略参数进行比较，所有参数都将被视为独立的。
value_network (TensorDictModule, optional) – V(s) 参数化模型。

关键字参数:

num_qvalue_nets (integer, optional) – 使用的 Q 值网络的数量。默认为 2。
loss_function (str, optional) – 要用于值函数损失的损失函数。默认为 “smooth_l1”。
temperature (float, optional) – 逆温度（beta）。对于较小超参数值，目标行为类似于行为克隆，而对于较大值，它试图恢复 Q 函数的最大值。
expectile (float, optional) – expectile \(\tau\)。较大的 \(\tau\) 值对于需要动态规划（“stichting”）的 antmaze 任务至关重要。
priority_key (str, optional) – tensordict 键，用于写入优先级（用于优先回放缓冲区）。默认值为 “td_error”。
separate_losses (bool, optional) – 如果为 True，策略和评估器之间的共享参数将仅用于策略损失。默认为 False，即梯度将为策略和评估器损失传播到共享参数。
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"：输出将求和。默认值："mean"。
deactivate_vmap (bool, 可选) – 是否禁用 vmap 调用并用普通 for 循环替换它们。默认为 False。

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.iql import IQLLoss
>>> 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)
>>> class QValueClass(nn.Module):
...     def __init__(self):
...         super().__init__()
...         self.linear = nn.Linear(n_obs + n_act, 1)
...     def forward(self, obs, act):
...         return self.linear(torch.cat([obs, act], -1))
>>> qvalue = SafeModule(
...     QValueClass(),
...     in_keys=["observation", "action"],
...     out_keys=["state_action_value"],
... )
>>> value = SafeModule(
...     nn.Linear(n_obs, 1),
...     in_keys=["observation"],
...     out_keys=["state_value"],
... )
>>> loss = IQLLoss(actor, qvalue, value)
>>> 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_actor: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        loss_qvalue: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        loss_value: 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，无需任何 tensordict 相关原语即可使用。在这种情况下，预期的关键字参数为：["action", "next_reward", "next_done", "next_terminated"] + 策略、值和 qvalue 网络的 in_keys。返回值是一个按以下顺序排列的张量元组：["loss_actor", "loss_qvalue", "loss_value", "entropy"]。

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.iql import IQLLoss
>>> _ = 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)
>>> class QValueClass(nn.Module):
...     def __init__(self):
...         super().__init__()
...         self.linear = nn.Linear(n_obs + n_act, 1)
...     def forward(self, obs, act):
...         return self.linear(torch.cat([obs, act], -1))
>>> qvalue = SafeModule(
...     QValueClass(),
...     in_keys=["observation", "action"],
...     out_keys=["state_action_value"],
... )
>>> value = SafeModule(
...     nn.Linear(n_obs, 1),
...     in_keys=["observation"],
...     out_keys=["state_value"],
... )
>>> loss = IQLLoss(actor, qvalue, value)
>>> batch = [2, ]
>>> action = spec.rand(batch)
>>> loss_actor, loss_qvalue, loss_value, entropy = loss(
...     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_observation=torch.zeros(*batch, n_obs),
...     next_reward=torch.randn(*batch, 1))
>>> loss_actor.backward()

输出键也可以使用 IQLLoss.select_out_keys() 方法进行过滤。

示例

>>> _ = loss.select_out_keys('loss_actor', 'loss_qvalue')
>>> loss_actor, loss_qvalue = loss(
...     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_observation=torch.zeros(*batch, n_obs),
...     next_reward=torch.randn(*batch, 1))
>>> loss_actor.backward()

default_keys¶: 别名：_AcceptedKeys

forward(tensordict: TensorDictBase = None) → TensorDictBase[source]¶

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。

static loss_value_diff(diff, expectile=0.8)[source]¶: iql expectile 值差的损失函数。

make_value_estimator(value_type: Optional[ValueEstimators] = None, **hyperparams)[source]¶

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注册在 self.value_type 中，以便将来进行细化。
**hyperparams – 用于值函数的超参数。如果未提供，将使用 default_value_kwargs() 中指定的值。

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)

IQLLoss¶

文档

教程

资源