TD3BCLoss¶

class torchrl.objectives.TD3BCLoss(*args, **kwargs)[源代码]¶

TD3+BC 损失模块。

实现了论文 “A Minimalist Approach to Offline Reinforcement Learning” <https://arxiv.org/pdf/2106.06860> 中提出的 TD3+BC 损失。

此类在 forward 方法中按顺序包含两个损失函数：

qvalue_loss()
actor_loss()

用户也可以选择以相同的顺序直接调用这些函数。

参数:

actor_network (TensorDictModule) – 要训练的 actor
qvalue_network (TensorDictModule) –
单个 Q 值网络或 Q 值网络列表。如果提供单个 qvalue_network 实例，它将被复制 num_qvalue_nets 次。如果传递的是模块列表，则它们的参数将被堆叠，除非它们具有相同的标识（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。

关键字参数:

bounds (float 的元组, 可选) –

动作空间的边界。
与 action_spec 互斥。必须提供此项或 action_spec。

必须提供此项或 action_spec。
action_spec (TensorSpec, 可选) – 动作规范。与 bounds 互斥。必须提供此项或 bounds。
num_qvalue_nets (int, 可选) – 要训练的 Q 值网络的数量。默认为 2。
policy_noise (float, 可选) – 目标策略动作噪声的标准差。默认为 0.2。
noise_clip (float, 可选) – 采样目标策略动作噪声的裁剪范围值。默认为 0.5。
alpha (float, 可选) – 行为克隆损失的权重。默认为 2.5。
priority_key (str, 可选) – 为优先回放缓冲区写入优先级的键。默认为 “td_error”。
loss_function (str, 可选) – 用于 Q 值的损失函数。可以是 "smooth_l1"、"l2"、"l1" 中的一个。默认为 "smooth_l1"。
delay_actor (bool, 可选) – 是否将目标 actor 网络与用于数据收集的 actor 网络分开。默认为 True。
delay_qvalue (bool, 可选) – 是否将目标 Q 值网络与用于数据收集的 Q 值网络分开。默认为 True。
spec (TensorSpec, 可选) – 动作张量规范。如果未提供且目标熵为 "auto"，则将从 actor 中检索。
separate_losses (bool, 可选) – 如果为 True，则策略和评论家之间的共享参数仅在策略损失上进行训练。默认为 False，即梯度会传播到策略和评论家损失的共享参数。
reduction (str, 可选) – 指定应用于输出的约简："none" | "mean" | "sum"。"none"：不应用任何约简，"mean"：输出的总和除以输出中的元素数量，"sum"：输出将求和。默认："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 Actor, ProbabilisticActor, ValueOperator
>>> from torchrl.modules.tensordict_module.common import SafeModule
>>> from torchrl.objectives.td3_bc import TD3BCLoss
>>> from tensordict import TensorDict
>>> n_act, n_obs = 4, 3
>>> spec = Bounded(-torch.ones(n_act), torch.ones(n_act), (n_act,))
>>> module = nn.Linear(n_obs, n_act)
>>> actor = Actor(
...     module=module,
...     spec=spec)
>>> class ValueClass(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))
>>> module = ValueClass()
>>> qvalue = ValueOperator(
...     module=module,
...     in_keys=['observation', 'action'])
>>> loss = TD3BCLoss(actor, qvalue, action_spec=actor.spec)
>>> 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={
        bc_loss: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        lmbd: 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),
        next_state_value: Tensor(shape=torch.Size([2]), device=cpu, dtype=torch.float32, is_shared=False),
        pred_value: Tensor(shape=torch.Size([2, 2]), device=cpu, dtype=torch.float32, is_shared=False),
        state_action_value_actor: Tensor(shape=torch.Size([2, 2]), device=cpu, dtype=torch.float32, is_shared=False),
        target_value: Tensor(shape=torch.Size([2]), 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，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，预期的关键字参数为：["action", "next_reward", "next_done", "next_terminated"] + actor 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", "bc_loss, "lmbd", "pred_value", "state_action_value_actor", "next_state_value", "target_value",]。

示例

>>> import torch
>>> from torch import nn
>>> from torchrl.data import Bounded
>>> from torchrl.modules.tensordict_module.actors import Actor, ValueOperator
>>> from torchrl.objectives.td3_bc import TD3BCLoss
>>> n_act, n_obs = 4, 3
>>> spec = Bounded(-torch.ones(n_act), torch.ones(n_act), (n_act,))
>>> module = nn.Linear(n_obs, n_act)
>>> actor = Actor(
...     module=module,
...     spec=spec)
>>> class ValueClass(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))
>>> module = ValueClass()
>>> qvalue = ValueOperator(
...     module=module,
...     in_keys=['observation', 'action'])
>>> loss = TD3BCLoss(actor, qvalue, action_spec=actor.spec)
>>> _ = loss.select_out_keys("loss_actor", "loss_qvalue")
>>> batch = [2, ]
>>> action = spec.rand(batch)
>>> 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_reward=torch.randn(*batch, 1),
...         next_observation=torch.randn(*batch, n_obs))
>>> loss_actor.backward()

actor_loss(tensordict) → tuple[torch.Tensor, dict][源代码]¶

计算 actor 损失。

actor 损失应在 qvalue_loss() 之后计算，并且通常会延迟 1-3 次评论家更新。

参数:: tensordict (TensorDictBase) – 损失的输入数据。请检查类的 in_keys 以了解计算此项所需的字段。

返回：一个可微分的 actor 损失张量，以及一个包含已分离的 “bc_loss” 的元数据字典: 用于组合 actor 损失以及用于计算 lambda 值的已分离的 “state_action_value_actor”，以及 lambda 值 “lmbd” 本身。

default_keys¶: 别名：_AcceptedKeys

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

forward 方法。

依次计算 actor_loss()、qvalue_loss()，并返回包含这些值的 tensordict。要查看输入 tensordict 中期望的键以及输出中期望的键，请检查类的 “in_keys” 和 “out_keys” 属性。

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 value estimator 类将注册在 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() 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)

qvalue_loss(tensordict) → tuple[torch.Tensor, dict][源代码]¶

计算 q 值损失。

q 值损失应在 actor_loss() 之前计算。

参数:: tensordict (TensorDictBase) – 损失的输入数据。请检查类的 in_keys 以了解计算此项所需的字段。

返回：一个可微分的 qvalue 损失张量，以及一个包含: 已分离的 “td_error”（用于优先采样）、已分离的 “next_state_value”、已分离的 “pred_value” 和已分离的 “target_value” 的元数据字典。

TD3BCLoss¶

文档

教程

资源