PPOLoss

class torchrl.objectives.PPOLoss(*args, **kwargs)

一个父 PPO 损失类。

PPO（Proximal Policy Optimization，近端策略优化）是一种无模型、在线的 RL 算法，它利用记录的轨迹（批量）来执行多个优化步骤，同时积极防止更新后的策略偏离其原始参数配置太远。

PPO 损失可以有不同的实现方式，具体取决于约束优化实现的方式：ClipPPOLoss 和 KLPENPPOLoss。与子类不同，此类不实现任何正则化，因此应谨慎使用。

有关 PPO 的更多详细信息，请参阅：“Proximal Policy Optimization Algorithms”，https://arxiv.org/abs/1707.06347

参数:

• actor_network (ProbabilisticTensorDictSequential) – 策略算子。通常，这是一个 ProbabilisticTensorDictSequential 的子类，它以观测值为输入，并输出动作以及其对数概率值。

• critic_network (ValueOperator) – 值算子。批评者通常以观测值为输入，并在输出键中返回一个标量值（默认为 state_value）。

注意

虽然此损失模块不强制任何特定的模型模式（训练/评估），但强烈建议在 RL 训练期间将模型保持在评估模式以确保确定性行为。当有效样本量 (ESS) 下降或显著增加时，通常会观察到由于训练/评估模式不匹配导致的学习失败（见下文说明）。

注意

PPO 损失公开了几个额外的指标，可用于监控训练过程

• 剪辑分数是 PPO 损失中剪辑权重数量的比例（即被剪辑权重的数量与总权重的数量之比）。

• 有效样本量 (ESS) 是批量中有效样本数量的度量，计算方法是重要性权重平方和的倒数。值为 1 表示所有重要性权重都等于 1（即样本具有相同的权重）。低于 1 的任何值表示样本不具有相同的权重，ESS 是有效样本数量的度量。如果该值显着下降或增加，通常表示模型配置存在问题（例如，训练/评估模式不匹配，或策略更新幅度过大）。

关键字参数:

• entropy_bonus (bool, optional) – 如果为 True，将向损失添加熵奖励，以鼓励探索性策略。

• samples_mc_entropy (int, optional) – 如果从策略算子检索到的分布的熵没有封闭形式的公式，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 – 标量 | 映射[str, 标量], optional)：计算总损失时的熵乘数。 * **标量**：应用于每个动作头熵总和的值。 * **映射** {head_name: coeff} 为每个动作头的熵提供单独的系数。默认为 0.01。

• log_explained_variance (bool, optional) – 如果为 True，则将计算批评者预测值相对于值目标的解释方差，并将其记录为 "explained_variance"。这有助于监控训练期间批评者的质量。最佳分数是 1.0，分数越低越差。默认为 True。

• critic_coeff (scalar, optional) – 计算总损失时的批评者损失乘数。默认为 1.0。将 critic_coeff 设置为 None 以排除值损失从前向输出中。

• loss_critic_type (str, optional) – 值差异的损失函数。可以是“l1”、“l2”或“smooth_l1”之一。默认为 "smooth_l1"。

• normalize_advantage (bool, optional) – 如果为 True，则在用于优势之前会对其进行归一化。默认为 False。

• normalize_advantage_exclude_dims (Tuple[int], optional) – 要从优势标准化中排除的维度。负维度是有效的。这在多代理（或多目标）设置中很有用，其中代理（或目标）维度可以从减少中排除。默认值：()。

• separate_losses (bool, optional) – 如果为 True，则策略和批评者之间的共享参数仅在策略损失上进行训练。默认为 False，即梯度会为策略和批评者损失传播到共享参数。

• advantage_key (str, optional) – [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, optional) – [已弃用，请改用 set_keys(value_target_key=value_target_key) 代替] 预期写入目标状态值的输入 tensordict 键。默认为 "value_target"。

• value_key (str, optional) – [已弃用，请改用 set_keys(value_key) 代替] 预期写入状态值的输入 tensordict 键。默认为 "state_value"。

• functional (bool, optional) – 模块是否应该被函数化。函数化允许元 RL 等功能，但使分布式模型（DDP、FSDP 等）无法使用，并且会产生一些额外开销。默认为 True。

• reduction (str, optional) – 指定要应用于输出的约简："none" | "mean" | "sum"。"none"：不应用约简，"mean"：输出的总和将除以输出中的元素数量，"sum"：输出将被求和。默认："mean"。

• clip_value (float, optional) – 如果提供，将用于计算剪辑版的值预测，该预测值相对于输入 tensordict 的值估计，并用于计算值损失。剪辑的目的是限制极端值预测的影响，有助于稳定训练并防止大幅更新。但是，如果值估计是由当前版本的值估计器完成的，则它将不起作用。默认为 None。

• device (torch.device, optional) –

  缓冲区的设备。默认为 None。

  注意

  策略/ critic 的参数和缓冲区不会被转换为该设备，以确保存储与传递给其他组件（如数据收集器）的存储匹配。

注意

优势（通常是 GAE）可以由损失函数或在训练循环中计算。后者通常是首选选项，但用户可以自行选择首选选项。如果输入 tensordict 中不存在优势键（默认为 "advantage"），则优势将由 forward() 方法计算。

>>> ppo_loss = PPOLoss(actor, critic)
>>> advantage = GAE(critic)
>>> data = next(datacollector)
>>> losses = ppo_loss(data)
>>> # equivalent
>>> advantage(data)
>>> losses = ppo_loss(data)

可以使用 make_value_estimator() 构建自定义优势模块。默认是 GAE，其超参数由 default_value_kwargs() 决定。

>>> ppo_loss = PPOLoss(actor, critic)
>>> ppo_loss.make_value_estimator(ValueEstimators.TDLambda)
>>> data = next(datacollector)
>>> losses = ppo_loss(data)

注意

如果 actor 和 value function 共享参数，可以通过仅将 value network 的 head 传递给 PPO 损失模块来避免多次调用公共模块

>>> common = SomeModule(in_keys=["observation"], out_keys=["hidden"])
>>> actor_head = SomeActor(in_keys=["hidden"])
>>> value_head = SomeValue(in_keys=["hidden"])
>>> # first option, with 2 calls on the common module
>>> model = ActorValueOperator(common, actor_head, value_head)
>>> loss_module = PPOLoss(model.get_policy_operator(), model.get_value_operator())
>>> # second option, with a single call to the common module
>>> loss_module = PPOLoss(ProbabilisticTensorDictSequential(model, actor_head), value_head)

无论是否激活 separate_losses，这都将起作用。

示例

>>> import torch
>>> from torch import nn
>>> from torchrl.data.tensor_specs 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.ppo import PPOLoss
>>> from tensordict import TensorDict
>>> n_act, n_obs = 4, 3
>>> spec = Bounded(-torch.ones(n_act), torch.ones(n_act), (n_act,))
>>> base_layer = nn.Linear(n_obs, 5)
>>> net = nn.Sequential(base_layer, nn.Linear(5, 2 * n_act), NormalParamExtractor())
>>> module = SafeModule(net, in_keys=["observation"], out_keys=["loc", "scale"])
>>> actor = ProbabilisticActor(
...     module=module,
...     distribution_class=TanhNormal,
...     in_keys=["loc", "scale"],
...     spec=spec)
>>> module = nn.Sequential(base_layer, nn.Linear(5, 1))
>>> value = ValueOperator(
...     module=module,
...     in_keys=["observation"])
>>> loss = PPOLoss(actor, value)
>>> batch = [2, ]
>>> action = spec.rand(batch)
>>> data = TensorDict({"observation": torch.randn(*batch, n_obs),
...         "action": action,
...         "sample_log_prob": torch.randn_like(action[..., 1]),
...         ("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)

此类也兼容非 tensordict 的模块，无需使用任何与 tensordict 相关的原始函数。在这种情况下，预期的关键字参数为：["action", "sample_log_prob", "next_reward", "next_done", "next_terminated"] + actor 和 value 网络的 in_keys。返回值是一个元组，按以下顺序排列：["loss_objective"] + ["entropy", "loss_entropy"] （如果设置了 entropy_bonus）+ "loss_critic" （如果 critic_coeff 不为 None）。输出键也可以使用 PPOLoss.select_out_keys() 方法进行过滤。

示例

>>> import torch
>>> from torch import nn
>>> from torchrl.data.tensor_specs 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.ppo import PPOLoss
>>> n_act, n_obs = 4, 3
>>> spec = Bounded(-torch.ones(n_act), torch.ones(n_act), (n_act,))
>>> base_layer = nn.Linear(n_obs, 5)
>>> net = nn.Sequential(base_layer, nn.Linear(5, 2 * n_act), NormalParamExtractor())
>>> module = SafeModule(net, in_keys=["observation"], out_keys=["loc", "scale"])
>>> actor = ProbabilisticActor(
...     module=module,
...     distribution_class=TanhNormal,
...     in_keys=["loc", "scale"],
...     spec=spec)
>>> module = nn.Sequential(base_layer, nn.Linear(5, 1))
>>> value = ValueOperator(
...     module=module,
...     in_keys=["observation"])
>>> loss = PPOLoss(actor, value)
>>> loss.set_keys(sample_log_prob="sampleLogProb")
>>> _ = loss.select_out_keys("loss_objective")
>>> batch = [2, ]
>>> action = spec.rand(batch)
>>> loss_objective = loss(
...         observation=torch.randn(*batch, n_obs),
...         action=action,
...         sampleLogProb=torch.randn_like(action[..., 1]) / 10,
...         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_objective.backward()

注意

与非 tensordict 模块的兼容性有一个例外。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，不能作为与 tensordict 无关的模块。这是因为复合动作空间本质上依赖于 tensordicts 提供的数据结构化表示来处理其动作。

default_keys

别名：_AcceptedKeys

forward(tensordict: TensorDictBase = None) → TensorDictBase

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 | TensorDict, ...]

在 critic_coeff 不为 None 时，返回乘以 critic_coeff 的批评者损失。

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

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，以便将来进行改进。

• **hyperparams – 要用于值函数的超参数。如果未提供，将使用 default_value_kwargs() 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)