TorchRL 目标：编写 DDPG 损失

作者：Vincent Moens

概述

TorchRL 将强化学习算法的训练分解为多个部分，这些部分将在您的训练脚本中进行组装：环境、数据收集和存储、模型以及最终的损失函数。

TorchRL 损失（或“目标”）是包含可训练参数（策略和值模型）的状态对象。本教程将指导您完成使用 TorchRL 从头开始编写损失的步骤。

为此，我们将重点关注 DDPG，这是一个相对简单的算法。 Deep Deterministic Policy Gradient (DDPG) 是一种简单的连续控制算法。它包括学习一个参数化的价值函数来表示状态-动作对，然后学习一个策略，该策略在给定特定状态的情况下输出最大化此价值函数的动作。

您将学到什么

• 如何编写损失模块并自定义其值估计器；

• 如何构建 TorchRL 中的环境，包括转换（例如，数据归一化）和并行执行；

• 如何设计策略和值网络；

• 如何从环境中高效收集数据并将其存储在回放缓冲区中；

• 如何在回放缓冲区中存储轨迹（而不是单个转换）；

• 如何评估您的模型。

先决条件

本教程假设您已完成 PPO 教程，该教程概述了 TorchRL 组件和依赖项，例如 tensordict.TensorDict 和 tensordict.nn.TensorDictModules，尽管即使没有深入了解这些类，本教程也应该足够清晰易懂。

注意

我们的目标不是提供 SOTA 实现的算法，而是提供 TorchRL 损失实现的概览以及在算法上下文中使用到的库功能。

导入和设置

%%bash
pip3 install torchrl mujoco glfw

import torch
import tqdm

如果可用，我们将在 CUDA 上执行策略

is_fork = multiprocessing.get_start_method() == "fork"
device = (
    torch.device(0)
    if torch.cuda.is_available() and not is_fork
    else torch.device("cpu")
)
collector_device = torch.device("cpu")  # Change the device to ``cuda`` to use CUDA

TorchRL LossModule

TorchRL 提供了一系列可在训练脚本中使用的损失。目的是让损失易于重用/互换，并且具有简单的签名。

TorchRL 损失的主要特点是

• 它们是状态对象：它们包含可训练参数的副本，因此 loss_module.parameters() 可以提供训练算法所需的任何内容。

• 它们遵循 TensorDict 约定：torch.nn.Module.forward() 方法将接收一个 TensorDict 作为输入，其中包含返回损失值所需的所有信息。

• 它们输出一个 tensordict.TensorDict 实例，其中损失值在 "loss_<smth>" 下写入，其中 smth 是描述损失的字符串。 TensorDict 中的其他键可能是在训练时记录的有用的度量。

  注意

  我们返回独立损失的原因是让用户可以为不同的参数集使用不同的优化器。损失的求和可以通过以下方式简单完成

  ..code - block::Python

  >>> loss_val = sum(loss for key, loss in loss_dict.items() if key.startswith("loss_"))
  

The __init__ method

所有损失的父类是 LossModule。与库的许多其他组件一样，它的 forward() 方法期望接收一个从经验回放缓冲区采样得到的 tensordict.TensorDict 实例，或任何类似的类。使用此格式可以使模块跨模态重用，或在模型需要读取多个条目等复杂设置中使用。换句话说，它允许我们编写一个对提供给它的数据类型不敏感的损失模块，并且只专注于运行损失函数的元素步骤。

为了使教程尽可能具有启发性，我们将独立展示类的每个方法，并在稍后填充类。

让我们从 __init__() 方法开始。DDPG 旨在通过一种简单的策略解决控制任务：训练一个策略来输出最大化值网络预测的值的动作。因此，我们的损失模块需要在其构造函数中接收两个网络：一个 actor 和一个值网络。我们期望这两个网络都是 TensorDict 兼容的对象，例如 tensordict.nn.TensorDictModule。我们的损失函数需要计算目标值并拟合值网络，生成一个动作并拟合策略以最大化其值估计。

LossModule.__init__() 方法的关键步骤是调用 convert_to_functional()。此方法将从模块中提取参数并将其转换为函数式模块。严格来说，这不是必需的，并且可以完美地在不使用它的情况下编写所有损失。然而，我们鼓励使用它，原因如下。

TorchRL 这样做的原因是，RL 算法通常使用不同参数集执行相同的模型，称为“可训练”和“目标”参数。“可训练”参数是优化器需要拟合的参数。“目标”参数通常是前者的副本，具有一定的时间滞后（绝对时间滞后或通过移动平均稀释）。这些目标参数用于计算与下一个状态相关的值。使用一组目标参数进行值模型，这些参数与当前配置不完全匹配的优点之一是它们为计算的值函数提供了悲观的界限。请注意下面的 create_target_params 关键字参数：此参数告诉 convert_to_functional() 方法在损失模块中创建一组目标参数，用于目标值计算。如果将其设置为 False（例如，对于 actor 网络），则 target_actor_network_params 属性仍然可访问，但这只会返回 actor 参数的 **分离** 版本。

稍后，我们将看到如何在 TorchRL 中更新目标参数。

from tensordict.nn import TensorDictModule, TensorDictSequential


def _init(
    self,
    actor_network: TensorDictModule,
    value_network: TensorDictModule,
) -> None:
    super(type(self), self).__init__()

    self.convert_to_functional(
        actor_network,
        "actor_network",
        create_target_params=True,
    )
    self.convert_to_functional(
        value_network,
        "value_network",
        create_target_params=True,
        compare_against=list(actor_network.parameters()),
    )

    self.actor_in_keys = actor_network.in_keys

    # Since the value we'll be using is based on the actor and value network,
    # we put them together in a single actor-critic container.
    actor_critic = ActorCriticWrapper(actor_network, value_network)
    self.actor_critic = actor_critic
    self.loss_function = "l2"

值估计损失方法

在许多 RL 算法中，值网络（或 Q 值网络）是基于经验值估计进行训练的。这可以是引导式（TD(0)，方差低，偏差高），这意味着目标值仅使用下一个奖励获得，或者可以是蒙特卡洛估计（TD(1)），在这种情况下将使用整个后续奖励序列（方差高，偏差低）。也可以使用中间估计器（TD(\(\lambda\)））来折衷偏差和方差。TorchRL 通过 ValueEstimators 枚举类，其中包含所有已实现的值估计器的指针，可以轻松使用其中一个。让我们在此定义默认值函数。我们将采用最简单的版本（TD(0)），并稍后展示如何更改它。

from torchrl.objectives.utils import ValueEstimators

default_value_estimator = ValueEstimators.TD0

我们还需要根据用户查询向 DDPG 提供一些关于如何构建值估计器的说明。根据提供的估计器，我们将构建相应的模块以供训练时使用

from torchrl.objectives.utils import default_value_kwargs
from torchrl.objectives.value import TD0Estimator, TD1Estimator, TDLambdaEstimator


def make_value_estimator(self, value_type: ValueEstimators, **hyperparams):
    hp = dict(default_value_kwargs(value_type))
    if hasattr(self, "gamma"):
        hp["gamma"] = self.gamma
    hp.update(hyperparams)
    value_key = "state_action_value"
    if value_type == ValueEstimators.TD1:
        self._value_estimator = TD1Estimator(value_network=self.actor_critic, **hp)
    elif value_type == ValueEstimators.TD0:
        self._value_estimator = TD0Estimator(value_network=self.actor_critic, **hp)
    elif value_type == ValueEstimators.GAE:
        raise NotImplementedError(
            f"Value type {value_type} it not implemented for loss {type(self)}."
        )
    elif value_type == ValueEstimators.TDLambda:
        self._value_estimator = TDLambdaEstimator(value_network=self.actor_critic, **hp)
    else:
        raise NotImplementedError(f"Unknown value type {value_type}")
    self._value_estimator.set_keys(value=value_key)

make_value_estimator 方法可以被调用，但不是必需的：如果未调用，LossModule 将使用其默认估计器查询此方法。

Actor 损失方法

RL 算法的核心是 actor 的训练损失。对于 DDPG，此函数非常简单：我们只需要计算使用策略计算的动作的值，并优化 actor 的权重以最大化此值。

在计算此值时，我们必须确保从图中取出值参数，否则 actor 和值损失将混淆。为此，可以使用 hold_out_params() 函数。

def _loss_actor(
    self,
    tensordict,
) -> torch.Tensor:
    td_copy = tensordict.select(*self.actor_in_keys)
    # Get an action from the actor network: since we made it functional, we need to pass the params
    with self.actor_network_params.to_module(self.actor_network):
        td_copy = self.actor_network(td_copy)
    # get the value associated with that action
    with self.value_network_params.detach().to_module(self.value_network):
        td_copy = self.value_network(td_copy)
    return -td_copy.get("state_action_value")

值损失方法

我们现在需要优化我们的值网络参数。为此，我们将依赖于我们类的值估计器

from torchrl.objectives.utils import distance_loss


def _loss_value(
    self,
    tensordict,
):
    td_copy = tensordict.clone()

    # V(s, a)
    with self.value_network_params.to_module(self.value_network):
        self.value_network(td_copy)
    pred_val = td_copy.get("state_action_value").squeeze(-1)

    # we manually reconstruct the parameters of the actor-critic, where the first
    # set of parameters belongs to the actor and the second to the value function.
    target_params = TensorDict(
        {
            "module": {
                "0": self.target_actor_network_params,
                "1": self.target_value_network_params,
            }
        },
        batch_size=self.target_actor_network_params.batch_size,
        device=self.target_actor_network_params.device,
    )
    with target_params.to_module(self.actor_critic):
        target_value = self.value_estimator.value_estimate(tensordict).squeeze(-1)

    # Computes the value loss: L2, L1 or smooth L1 depending on `self.loss_function`
    loss_value = distance_loss(pred_val, target_value, loss_function=self.loss_function)
    td_error = (pred_val - target_value).pow(2)

    return loss_value, td_error, pred_val, target_value

将它们组合到 forward 调用中

唯一缺失的部分是 forward 方法，它将连接值和 actor 损失，收集成本值并将它们写入提供给用户的 TensorDict。

from tensordict import TensorDict, TensorDictBase


def _forward(self, input_tensordict: TensorDictBase) -> TensorDict:
    loss_value, td_error, pred_val, target_value = self.loss_value(
        input_tensordict,
    )
    td_error = td_error.detach()
    td_error = td_error.unsqueeze(input_tensordict.ndimension())
    if input_tensordict.device is not None:
        td_error = td_error.to(input_tensordict.device)
    input_tensordict.set(
        "td_error",
        td_error,
        inplace=True,
    )
    loss_actor = self.loss_actor(input_tensordict)
    return TensorDict(
        source={
            "loss_actor": loss_actor.mean(),
            "loss_value": loss_value.mean(),
            "pred_value": pred_val.mean().detach(),
            "target_value": target_value.mean().detach(),
            "pred_value_max": pred_val.max().detach(),
            "target_value_max": target_value.max().detach(),
        },
        batch_size=[],
    )


from torchrl.objectives import LossModule


class DDPGLoss(LossModule):
    default_value_estimator = default_value_estimator
    make_value_estimator = make_value_estimator

    __init__ = _init
    forward = _forward
    loss_value = _loss_value
    loss_actor = _loss_actor

现在我们有了损失，我们可以使用它来训练策略以解决控制任务。

环境

在大多数算法中，首先需要处理的是环境的构建，因为它会影响训练脚本的其余部分。

在此示例中，我们将使用 "cheetah" 任务。目标是让半人马座尽可能快地奔跑。

在 TorchRL 中，可以通过依赖 dm_control 或 gym 来创建此类任务

env = GymEnv("HalfCheetah-v4")

或

env = DMControlEnv("cheetah", "run")

默认情况下，这些环境会禁用渲染。从状态训练通常比从图像训练更容易。为了保持简单，我们只关注从状态学习。要将像素传递给 tensordicts，这些 tensordicts 是通过 env.step() 收集的，只需将 from_pixels=True 参数传递给构造函数即可

env = GymEnv("HalfCheetah-v4", from_pixels=True, pixels_only=True)

我们编写了一个 make_env() 辅助函数，它将使用上述两种后端之一（dm-control 或 gym）来创建环境。

from torchrl.envs.libs.dm_control import DMControlEnv
from torchrl.envs.libs.gym import GymEnv

env_library = None
env_name = None


def make_env(from_pixels=False):
    """Create a base ``env``."""
    global env_library
    global env_name

    if backend == "dm_control":
        env_name = "cheetah"
        env_task = "run"
        env_args = (env_name, env_task)
        env_library = DMControlEnv
    elif backend == "gym":
        env_name = "HalfCheetah-v4"
        env_args = (env_name,)
        env_library = GymEnv
    else:
        raise NotImplementedError

    env_kwargs = {
        "device": device,
        "from_pixels": from_pixels,
        "pixels_only": from_pixels,
        "frame_skip": 2,
    }
    env = env_library(*env_args, **env_kwargs)
    return env

变换 (Transforms)

现在我们有了基本环境，我们可能想要修改其表示形式，使其对策略更友好。在 TorchRL 中，转换被追加到特殊类 torchr.envs.TransformedEnv 的基本环境中。

• 在 DDPG 中，通常会使用一些启发式值对奖励进行缩放。在此示例中，我们将奖励乘以 5。

• 如果我们使用 dm_control，那么构建一个介于工作在双精度数字上的模拟器和我们脚本（可能使用单精度数字）之间的接口也很重要。这种转换是双向的：在调用 env.step() 时，我们的动作需要以双精度表示，并且输出需要转换为单精度。 DoubleToFloat 转换正是这样做的：in_keys 列表指的是需要从双精度转换为单精度的键，而 in_keys_inv 指的是在传递给环境之前需要转换为双精度的键。

• 我们使用 CatTensors 转换将状态键连接在一起。

• 最后，我们也保留了对状态进行归一化的可能性：我们将稍后负责计算归一化常数。

from torchrl.envs import (
    CatTensors,
    DoubleToFloat,
    EnvCreator,
    InitTracker,
    ObservationNorm,
    ParallelEnv,
    RewardScaling,
    StepCounter,
    TransformedEnv,
)


def make_transformed_env(
    env,
):
    """Apply transforms to the ``env`` (such as reward scaling and state normalization)."""

    env = TransformedEnv(env)

    # we append transforms one by one, although we might as well create the
    # transformed environment using the `env = TransformedEnv(base_env, transforms)`
    # syntax.
    env.append_transform(RewardScaling(loc=0.0, scale=reward_scaling))

    # We concatenate all states into a single "observation_vector"
    # even if there is a single tensor, it'll be renamed in "observation_vector".
    # This facilitates the downstream operations as we know the name of the
    # output tensor.
    # In some environments (not half-cheetah), there may be more than one
    # observation vector: in this case this code snippet will concatenate them
    # all.
    selected_keys = list(env.observation_spec.keys())
    out_key = "observation_vector"
    env.append_transform(CatTensors(in_keys=selected_keys, out_key=out_key))

    # we normalize the states, but for now let's just instantiate a stateless
    # version of the transform
    env.append_transform(ObservationNorm(in_keys=[out_key], standard_normal=True))

    env.append_transform(DoubleToFloat())

    env.append_transform(StepCounter(max_frames_per_traj))

    # We need a marker for the start of trajectories for our Ornstein-Uhlenbeck (OU)
    # exploration:
    env.append_transform(InitTracker())

    return env

并行执行

以下辅助函数允许我们在并行环境中运行。并行运行环境可以显著加快收集吞吐量。在使用转换后的环境时，我们需要选择是为每个环境单独执行转换，还是集中数据并在批处理中进行转换。这两种方法都很容易编码

env = ParallelEnv(
    lambda: TransformedEnv(GymEnv("HalfCheetah-v4"), transforms),
    num_workers=4
)
env = TransformedEnv(
    ParallelEnv(lambda: GymEnv("HalfCheetah-v4"), num_workers=4),
    transforms
)

为了利用 PyTorch 的向量化能力，我们采用第一种方法

def parallel_env_constructor(
    env_per_collector,
    transform_state_dict,
):
    if env_per_collector == 1:

        def make_t_env():
            env = make_transformed_env(make_env())
            env.transform[2].init_stats(3)
            env.transform[2].loc.copy_(transform_state_dict["loc"])
            env.transform[2].scale.copy_(transform_state_dict["scale"])
            return env

        env_creator = EnvCreator(make_t_env)
        return env_creator

    parallel_env = ParallelEnv(
        num_workers=env_per_collector,
        create_env_fn=EnvCreator(lambda: make_env()),
        create_env_kwargs=None,
        pin_memory=False,
    )
    env = make_transformed_env(parallel_env)
    # we call `init_stats` for a limited number of steps, just to instantiate
    # the lazy buffers.
    env.transform[2].init_stats(3, cat_dim=1, reduce_dim=[0, 1])
    env.transform[2].load_state_dict(transform_state_dict)
    return env


# The backend can be ``gym`` or ``dm_control``
backend = "gym"

注意

frame_skip 将多个帧与单个动作一起批处理。如果 > 1，则需要调整其他帧计数（例如，frames_per_batch、total_frames）以获得跨实验一致的总帧数。这很重要，因为增加帧跳数但保持总帧数不变可能显得有欺骗性：所有条件都相同，一个用帧跳数 2 收集的 10M 元素数据集和另一个用帧跳数 1 收集的数据集实际上与环境的交互比例为 2:1！总之，在处理帧跳数时，应谨慎对待训练脚本的帧计数，因为这可能导致训练策略之间的比较存在偏差。

缩放奖励有助于我们控制信号幅度，从而实现更有效的学习。

reward_scaling = 5.0

我们还定义了轨迹何时会被截断。对于 cheetah 任务，一千步（如果 frame_skip = 2 则为 500 步）是一个不错的选择

max_frames_per_traj = 500

观察值归一化

为了计算归一化统计量，我们在环境中执行任意数量的随机步，并计算收集到的观察值的均值和标准差。 ObservationNorm.init_stats() 方法可用于此目的。为了获得摘要统计信息，我们创建一个虚拟环境并运行它指定的步数，收集指定步数的数据并计算其摘要统计信息。

def get_env_stats():
    """Gets the stats of an environment."""
    proof_env = make_transformed_env(make_env())
    t = proof_env.transform[2]
    t.init_stats(init_env_steps)
    transform_state_dict = t.state_dict()
    proof_env.close()
    return transform_state_dict

归一化统计量

使用 ObservationNorm 用于统计量计算的随机步数

init_env_steps = 5000

transform_state_dict = get_env_stats()

每个数据收集器中的环境数

env_per_collector = 4

我们将前面计算的统计量传递给我们的环境输出进行归一化

parallel_env = parallel_env_constructor(
    env_per_collector=env_per_collector,
    transform_state_dict=transform_state_dict,
)


from torchrl.data import Composite

构建模型

现在我们转向模型的设置。如我们所见，DDPG 需要一个值网络，该网络用于估计状态-动作对的值，以及一个参数化 actor，该 actor 学习如何选择最大化此值的动作。

请记住，构建 TorchRL 模块需要两个步骤

• 编写将用作网络的 torch.nn.Module，

• 将网络包装在 tensordict.nn.TensorDictModule 中，其中数据流通过指定输入和输出键来处理。

在更复杂的场景中，也可以使用 tensordict.nn.TensorDictSequential。

Q 值网络被包装在 ValueOperator 中，该运算符自动将 out_keys 设置为 q 值网络的 "state_action_value"，而其他值网络的 "state_value"。

TorchRL 提供了 DDPG 网络的一个内置版本，如原始论文所示。这些可以在 DdpgMlpActor 和 DdpgMlpQNet 下找到。

由于我们使用惰性模块，因此在能够将策略从设备移动到设备并执行其他操作之前，必须具体化惰性模块。因此，通过少量数据运行模块是一个好习惯。为此，我们从环境规范生成伪数据。

from torchrl.modules import (
    ActorCriticWrapper,
    DdpgMlpActor,
    DdpgMlpQNet,
    OrnsteinUhlenbeckProcessModule,
    ProbabilisticActor,
    TanhDelta,
    ValueOperator,
)


def make_ddpg_actor(
    transform_state_dict,
    device="cpu",
):
    proof_environment = make_transformed_env(make_env())
    proof_environment.transform[2].init_stats(3)
    proof_environment.transform[2].load_state_dict(transform_state_dict)

    out_features = proof_environment.action_spec.shape[-1]

    actor_net = DdpgMlpActor(
        action_dim=out_features,
    )

    in_keys = ["observation_vector"]
    out_keys = ["param"]

    actor = TensorDictModule(
        actor_net,
        in_keys=in_keys,
        out_keys=out_keys,
    )

    actor = ProbabilisticActor(
        actor,
        distribution_class=TanhDelta,
        in_keys=["param"],
        spec=Composite(action=proof_environment.action_spec),
    ).to(device)

    q_net = DdpgMlpQNet()

    in_keys = in_keys + ["action"]
    qnet = ValueOperator(
        in_keys=in_keys,
        module=q_net,
    ).to(device)

    # initialize lazy modules
    qnet(actor(proof_environment.reset().to(device)))
    return actor, qnet


actor, qnet = make_ddpg_actor(
    transform_state_dict=transform_state_dict,
    device=device,
)

探索

策略被传递到 OrnsteinUhlenbeckProcessModule 探索模块中，正如原始论文所建议的那样。让我们定义 OU 噪声达到最小值之前的帧数

annealing_frames = 1_000_000

actor_model_explore = TensorDictSequential(
    actor,
    OrnsteinUhlenbeckProcessModule(
        spec=actor.spec.clone(),
        annealing_num_steps=annealing_frames,
    ).to(device),
)
if device == torch.device("cpu"):
    actor_model_explore.share_memory()

数据收集器 (Data collector)

TorchRL 提供了专门的类来帮助您通过在环境中执行策略来收集数据。这些“数据收集器”会迭代地计算给定时间要执行的动作，然后执行环境中的一个步骤并在需要时重置它。数据收集器旨在帮助开发者严格控制每批数据的帧数、收集数据的（异步）性质以及分配给数据收集的资源（例如 GPU、工作线程数等）。

在这里，我们将使用 SyncDataCollector，这是一个简单的单进程数据收集器。TorchRL 提供了其他收集器，例如 MultiaSyncDataCollector，它以异步方式执行回放（例如，数据将在策略被优化时收集，从而将训练和数据收集解耦）。

需要指定的参数是

• 一个环境工厂或一个环境，

• 策略，

• 在收集器被视为为空之前，总共收集的帧数，

• 每个轨迹的最大帧数（对于非终止环境，例如 dm_control 环境很有用）。

  注意

  传递给收集器的 max_frames_per_traj 将注册一个使用用于推理的环境的新 StepCounter 转换。我们可以在脚本中手动实现相同的结果。

还应该传递

• 每次收集批次的帧数，

• 独立于策略执行的随机步数，

• 用于策略执行的设备

• 用于在将数据传递到主进程之前存储数据的设备。

我们在训练期间使用的总帧数应约为 100 万。

total_frames = 10_000  # 1_000_000

在外部循环的每次迭代中，收集器返回的帧数等于每个子轨迹的长度乘以每个收集器中并行运行的环境数。

换句话说，我们期望收集器的批次形状为 [env_per_collector, traj_len]，其中 traj_len=frames_per_batch/env_per_collector

traj_len = 200
frames_per_batch = env_per_collector * traj_len
init_random_frames = 5000
num_collectors = 2

from torchrl.collectors import SyncDataCollector
from torchrl.envs import ExplorationType

collector = SyncDataCollector(
    parallel_env,
    policy=actor_model_explore,
    total_frames=total_frames,
    frames_per_batch=frames_per_batch,
    init_random_frames=init_random_frames,
    reset_at_each_iter=False,
    split_trajs=False,
    device=collector_device,
    exploration_type=ExplorationType.RANDOM,
)

评估器：构建您的记录器对象

由于训练数据是通过某些探索策略获得的，因此我们需要在确定性模式下评估算法的真实性能。我们使用一个专用类 LogValidationReward 来完成此操作，该类以给定的频率在环境中执行策略，并返回这些模拟中获得的一些统计信息。

以下辅助函数构建此对象

from torchrl.trainers import LogValidationReward


def make_recorder(actor_model_explore, transform_state_dict, record_interval):
    base_env = make_env()
    environment = make_transformed_env(base_env)
    environment.transform[2].init_stats(
        3
    )  # must be instantiated to load the state dict
    environment.transform[2].load_state_dict(transform_state_dict)

    recorder_obj = LogValidationReward(
        record_frames=1000,
        policy_exploration=actor_model_explore,
        environment=environment,
        exploration_type=ExplorationType.DETERMINISTIC,
        record_interval=record_interval,
    )
    return recorder_obj

我们将每收集 10 个批次记录一次性能

record_interval = 10

recorder = make_recorder(
    actor_model_explore, transform_state_dict, record_interval=record_interval
)

from torchrl.data.replay_buffers import (
    LazyMemmapStorage,
    PrioritizedSampler,
    RandomSampler,
    TensorDictReplayBuffer,
)

回放缓冲区 (Replay buffer)

回放缓冲区有两种类型：优先回放（其中使用某些误差信号，为某些项目提供更高的采样可能性）和常规的循环经验回放。

TorchRL 回放缓冲区是可组合的：您可以选择存储、采样和写入策略。还可以使用内存映射数组将张量存储在物理内存中。以下函数负责使用所需的超参数创建回放缓冲区

from torchrl.envs import RandomCropTensorDict


def make_replay_buffer(buffer_size, batch_size, random_crop_len, prefetch=3, prb=False):
    if prb:
        sampler = PrioritizedSampler(
            max_capacity=buffer_size,
            alpha=0.7,
            beta=0.5,
        )
    else:
        sampler = RandomSampler()
    replay_buffer = TensorDictReplayBuffer(
        storage=LazyMemmapStorage(
            buffer_size,
            scratch_dir=buffer_scratch_dir,
        ),
        batch_size=batch_size,
        sampler=sampler,
        pin_memory=False,
        prefetch=prefetch,
        transform=RandomCropTensorDict(random_crop_len, sample_dim=1),
    )
    return replay_buffer

我们将把回放缓冲区存储在磁盘上的临时目录中

import tempfile

tmpdir = tempfile.TemporaryDirectory()
buffer_scratch_dir = tmpdir.name

回放缓冲区存储和批次大小

TorchRL 回放缓冲区沿着第一个维度计数元素数量。由于我们将轨迹馈送到缓冲区，我们需要通过除以数据收集器产生的子轨迹长度来调整缓冲区大小。关于批次大小，我们的采样策略将包括采样长度为 traj_len=200 的轨迹，然后选择长度为 random_crop_len=25 的子轨迹，我们在其上计算损失。此策略平衡了存储具有特定长度的整个轨迹与为我们的损失提供足够异质性样本的需求。下图显示了从收集器到缓冲区的​​数据流，收集器在每个批次中获取 8 帧，并并行运行 2 个环境，将它们馈送到包含 1000 个轨迹的缓冲区，然后采样长度为 2 个时间步的子轨迹。

让我们从缓冲区中存储的帧数开始

def ceil_div(x, y):
    return -x // (-y)


buffer_size = 1_000_000
buffer_size = ceil_div(buffer_size, traj_len)

优先重放缓冲区默认禁用

prb = False

我们还需要定义每批收集到的数据要进行多少次更新。这被称为更新到数据或UTD比率。

update_to_data = 64

我们将使用长度为 25 的轨迹来输入损失。

random_crop_len = 25

在原始论文中，作者每收集一帧数据，就会用 64 个元素的批次进行一次更新。在这里，我们重现了相同的比例，但同时实现了每批数据收集的多次更新。我们调整了批次大小以达到相同的每帧更新比例。

batch_size = ceil_div(64 * frames_per_batch, update_to_data * random_crop_len)

replay_buffer = make_replay_buffer(
    buffer_size=buffer_size,
    batch_size=batch_size,
    random_crop_len=random_crop_len,
    prefetch=3,
    prb=prb,
)

损失模块构建

我们使用刚刚创建的 actor 和 qnet 来构建我们的损失模块。因为我们需要更新目标参数，所以我们 _必须_ 创建一个目标网络更新器。

gamma = 0.99
lmbda = 0.9
tau = 0.001  # Decay factor for the target network

loss_module = DDPGLoss(actor, qnet)

让我们使用 TD(lambda) 估计器！

loss_module.make_value_estimator(ValueEstimators.TDLambda, gamma=gamma, lmbda=lmbda)

注意

Off-policy 通常规定使用 TD(0) 估计器。在这里，我们使用 TD(\(\lambda\)) 估计器，这会引入一些偏差，因为跟随某个状态的轨迹是使用过时的策略收集的。这个技巧，就像数据收集过程中可以使用到的多步技巧一样，是“技巧”的替代版本，这些技巧通常在实践中效果很好，尽管它们会给回报估计引入一些偏差。

目标网络更新器

目标网络是 off-policy RL 算法的关键部分。通过 HardUpdate 和 SoftUpdate 类，可以轻松更新目标网络参数。它们以损失模块作为参数构建，更新通过在训练循环的适当位置调用 updater.step() 来实现。

from torchrl.objectives.utils import SoftUpdate

target_net_updater = SoftUpdate(loss_module, eps=1 - tau)

优化器

最后，我们将使用 Adam 优化器来训练策略和价值网络。

from torch import optim

optimizer_actor = optim.Adam(
    loss_module.actor_network_params.values(True, True), lr=1e-4, weight_decay=0.0
)
optimizer_value = optim.Adam(
    loss_module.value_network_params.values(True, True), lr=1e-3, weight_decay=1e-2
)
total_collection_steps = total_frames // frames_per_batch

训练策略时间

既然我们已经构建了所有需要的模块，训练循环就相当直接了。

rewards = []
rewards_eval = []

# Main loop

collected_frames = 0
pbar = tqdm.tqdm(total=total_frames)
r0 = None
for i, tensordict in enumerate(collector):

    # update weights of the inference policy
    collector.update_policy_weights_()

    if r0 is None:
        r0 = tensordict["next", "reward"].mean().item()
    pbar.update(tensordict.numel())

    # extend the replay buffer with the new data
    current_frames = tensordict.numel()
    collected_frames += current_frames
    replay_buffer.extend(tensordict.cpu())

    # optimization steps
    if collected_frames >= init_random_frames:
        for _ in range(update_to_data):
            # sample from replay buffer
            sampled_tensordict = replay_buffer.sample().to(device)

            # Compute loss
            loss_dict = loss_module(sampled_tensordict)

            # optimize
            loss_dict["loss_actor"].backward()
            gn1 = torch.nn.utils.clip_grad_norm_(
                loss_module.actor_network_params.values(True, True), 10.0
            )
            optimizer_actor.step()
            optimizer_actor.zero_grad()

            loss_dict["loss_value"].backward()
            gn2 = torch.nn.utils.clip_grad_norm_(
                loss_module.value_network_params.values(True, True), 10.0
            )
            optimizer_value.step()
            optimizer_value.zero_grad()

            gn = (gn1**2 + gn2**2) ** 0.5

            # update priority
            if prb:
                replay_buffer.update_tensordict_priority(sampled_tensordict)
            # update target network
            target_net_updater.step()

    rewards.append(
        (
            i,
            tensordict["next", "reward"].mean().item(),
        )
    )
    td_record = recorder(None)
    if td_record is not None:
        rewards_eval.append((i, td_record["r_evaluation"].item()))
    if len(rewards_eval) and collected_frames >= init_random_frames:
        target_value = loss_dict["target_value"].item()
        loss_value = loss_dict["loss_value"].item()
        loss_actor = loss_dict["loss_actor"].item()
        rn = sampled_tensordict["next", "reward"].mean().item()
        rs = sampled_tensordict["next", "reward"].std().item()
        pbar.set_description(
            f"reward: {rewards[-1][1]: 4.2f} (r0 = {r0: 4.2f}), "
            f"reward eval: reward: {rewards_eval[-1][1]: 4.2f}, "
            f"reward normalized={rn :4.2f}/{rs :4.2f}, "
            f"grad norm={gn: 4.2f}, "
            f"loss_value={loss_value: 4.2f}, "
            f"loss_actor={loss_actor: 4.2f}, "
            f"target value: {target_value: 4.2f}"
        )

    # update the exploration strategy
    actor_model_explore[1].step(current_frames)

collector.shutdown()
del collector

try:
    parallel_env.close()
    del parallel_env
except Exception:
    pass

实验结果

我们绘制了训练过程中平均奖励的简单图表。我们可以看到我们的策略在解决任务方面学得很好。

注意

如上所述，要获得更合理的效果，请为 total_frames 使用更大的值，例如 100 万。

from matplotlib import pyplot as plt

plt.figure()
plt.plot(*zip(*rewards), label="training")
plt.plot(*zip(*rewards_eval), label="eval")
plt.legend()
plt.xlabel("iter")
plt.ylabel("reward")
plt.tight_layout()

结论

在本教程中，我们学习了如何在 TorchRL 中根据 DDPG 的具体示例来编码损失模块。

关键要点是

• 如何使用 LossModule 类来编写新的损失组件；

• 如何使用（或不使用）目标网络，以及如何更新其参数；

• 如何创建与损失模块关联的优化器。

下一步

为了进一步迭代这个损失模块，我们可以考虑

• 使用 @dispatch（请参阅 [Feature] Distpatch IQL loss module）。

• 允许灵活的 TensorDict 键。