循环 DQN：训练循环策略

作者：Vincent Moens

您将学到什么

• 如何在 TorchRL 中将 RNN 纳入 Actor

• 如何将基于记忆的策略与回放缓冲区和损失模块一起使用

先决条件

• PyTorch v2.0.0

• gym[mujoco]

• tqdm

import tempfile

概述

基于记忆的策略不仅在观测值部分可观时至关重要，而且在必须考虑时间维度以做出明智决策时也是如此。

循环神经网络长期以来一直是基于记忆策略的流行工具。其思想是在两个连续步骤之间将循环状态保留在内存中，并将其与当前观测值一起作为策略的输入。

本教程演示了如何在 TorchRL 中将 RNN 纳入策略。

主要学习内容

• 将 RNN 纳入 TorchRL 的 Actor；

• 将基于记忆的策略与回放缓冲区和损失模块一起使用。

在 TorchRL 中使用 RNN 的核心思想是使用 TensorDict 作为从一个步骤到另一个步骤的隐藏状态的数据载体。我们将构建一个策略，该策略从当前 TensorDict 中读取先前的循环状态，并将当前循环状态写入下一个状态的 TensorDict 中。

如图所示，我们的环境使用零初始化的循环状态填充 TensorDict，策略会与观测值一起读取这些状态以生成动作，并为下一个步骤使用循环状态。当调用 step_mdp() 函数时，下一个状态的循环状态会被移到当前 TensorDict 中。让我们看看在实践中是如何实现的。

如果您在 Google Colab 中运行此代码，请确保安装以下依赖项

!pip3 install torchrl
!pip3 install gym[mujoco]
!pip3 install tqdm

设置

import torch
import tqdm
from tensordict.nn import (
    TensorDictModule as Mod,
    TensorDictSequential,
    TensorDictSequential as Seq,
)
from torch import nn
from torchrl.collectors import SyncDataCollector
from torchrl.data import LazyMemmapStorage, TensorDictReplayBuffer
from torchrl.envs import (
    Compose,
    ExplorationType,
    GrayScale,
    InitTracker,
    ObservationNorm,
    Resize,
    RewardScaling,
    set_exploration_type,
    StepCounter,
    ToTensorImage,
    TransformedEnv,
)
from torchrl.envs.libs.gym import GymEnv
from torchrl.modules import ConvNet, EGreedyModule, LSTMModule, MLP, QValueModule
from torchrl.objectives import DQNLoss, SoftUpdate

is_fork = multiprocessing.get_start_method() == "fork"
device = (
    torch.device(0)
    if torch.cuda.is_available() and not is_fork
    else torch.device("cpu")
)

环境

一如既往，第一步是构建我们的环境：它有助于我们定义问题并相应地构建策略网络。在本教程中，我们将运行一个 CartPole gym 环境的单个基于像素的实例，并进行一些自定义转换：转换为灰度、调整大小到 84x84、缩减奖励并标准化观测值。

注意

StepCounter 转换是辅助性的。由于 CartPole 任务的目标是尽可能地延长轨迹，因此计算步数有助于我们跟踪策略的表现。

对于本教程的目的，以下两个转换很重要：

• InitTracker 将通过在 TensorDict 中添加一个 "is_init" 布尔掩码来标记 reset() 的调用，该掩码将跟踪哪些步骤需要重置 RNN 隐藏状态。

• TensorDictPrimer 转换更技术化一些。它不是使用 RNN 策略所必需的。但是，它指示环境（以及后续的收集器）应该预期某些额外的键。添加后，调用 env.reset() 将用零初始化的张量填充指定的条目。知道策略期望这些张量，收集器将在收集过程中传递它们。最终，我们将把隐藏状态存储在回放缓冲区中，这将有助于我们在损失模块中引导 RNN 操作的计算（否则将以 0 初始化）。总结一下：不包含此转换不会对策略训练产生巨大影响，但它会使循环键从收集的数据和回放缓冲区中消失，从而导致训练略有欠佳。幸运的是，我们提供的 LSTMModule 配备了一个帮助方法来为此构建转换，所以我们可以等到构建它时再处理！

env = TransformedEnv(
    GymEnv("CartPole-v1", from_pixels=True, device=device),
    Compose(
        ToTensorImage(),
        GrayScale(),
        Resize(84, 84),
        StepCounter(),
        InitTracker(),
        RewardScaling(loc=0.0, scale=0.1),
        ObservationNorm(standard_normal=True, in_keys=["pixels"]),
    ),
)

一如既往，我们需要手动初始化我们的归一化常量。

env.transform[-1].init_stats(1000, reduce_dim=[0, 1, 2], cat_dim=0, keep_dims=[0])
td = env.reset()

策略 (Policy)

我们的策略将包含三个组件：一个 ConvNet 主干、一个 LSTMModule 记忆层和一个浅层 MLP 块，它将把 LSTM 的输出映射到动作值。

卷积网络

我们构建了一个卷积网络，并带有一个 torch.nn.AdaptiveAvgPool2d，它将输出压缩成一个大小为 64 的向量。ConvNet 可以帮助我们实现这一点。

feature = Mod(
    ConvNet(
        num_cells=[32, 32, 64],
        squeeze_output=True,
        aggregator_class=nn.AdaptiveAvgPool2d,
        aggregator_kwargs={"output_size": (1, 1)},
        device=device,
    ),
    in_keys=["pixels"],
    out_keys=["embed"],
)

我们在一个数据批次上执行第一个模块，以收集输出向量的大小。

n_cells = feature(env.reset())["embed"].shape[-1]

LSTM 模块

TorchRL 提供了一个专门的 LSTMModule 类，用于将 LSTM 整合到您的代码库中。它是一个 TensorDictModuleBase 的子类：因此，它具有一组 in_keys 和 out_keys，指示在模块执行期间预期读取和写入/更新的值。该类带有这些属性的可自定义预定义值，以方便其构造。

注意

使用限制：该类几乎支持所有 LSTM 功能，例如 dropout 或多层 LSTM。但是，为了遵守 TorchRL 的约定，此 LSTM 必须将 batch_first 属性设置为 True，这在 PyTorch 中不是默认设置。但是，我们的 LSTMModule 更改了此默认行为，因此我们直接调用即可。

此外，LSTM 的 bidirectional 属性不能设置为 True，因为这在在线设置中是不可用的。在这种情况下，默认值是正确的。

lstm = LSTMModule(
    input_size=n_cells,
    hidden_size=128,
    device=device,
    in_key="embed",
    out_key="embed",
)

让我们看一下 LSTM Module 类，特别是它的 in 和 out_keys。

print("in_keys", lstm.in_keys)
print("out_keys", lstm.out_keys)

我们可以看到这些值包含我们指定为 in_key（和 out_key）的键以及循环键名称。out_keys 前面有一个“next”前缀，表示它们需要在“next” TensorDict 中写入。我们使用此约定（可以通过传递 in_keys/out_keys 参数来覆盖）来确保调用 step_mdp() 会将循环状态移到根 TensorDict，使其在下一次调用中可供 RNN 使用（参见介绍中的图）。

如前所述，我们需要向环境添加一个可选的转换，以确保循环状态被传递到缓冲区。 make_tensordict_primer() 方法正是这样做的。

env.append_transform(lstm.make_tensordict_primer())

这样就完成了！添加 primer 后，我们可以打印环境以检查一切是否正常。

print(env)

MLP

我们使用一个单层 MLP 来表示我们将用于策略的动作值。

mlp = MLP(
    out_features=2,
    num_cells=[
        64,
    ],
    device=device,
)

并将偏置填充为零。

mlp[-1].bias.data.fill_(0.0)
mlp = Mod(mlp, in_keys=["embed"], out_keys=["action_value"])

使用 Q 值选择动作

我们的策略的最后一部分是 Q 值模块。Q 值模块 QValueModule 将读取由我们的 MLP 生成的 "action_values" 键，并从中收集具有最大值的动作。我们唯一需要做的是指定动作空间，这可以通过传递字符串或动作规格来完成。这允许我们使用分类（有时称为“稀疏”）编码或其 one-hot 版本。

qval = QValueModule(action_space=None, spec=env.action_spec)

注意

TorchRL 还提供了一个包装器类 torchrl.modules.QValueActor，它将一个模块包装在 Sequential 中，并带有一个 QValueModule，就像我们在此显式做的那样。这样做的好处不大，而且过程不那么透明，但最终结果将与我们这里所做的相似。

我们现在可以将它们放入一个 TensorDictSequential 中。

policy = Seq(feature, lstm, mlp, qval)

DQN 是一个确定性算法，探索是其中的关键部分。我们将使用一个 \(\epsilon\)-greedy 策略，epsilon 值为 0.2，并逐渐衰减到 0。通过调用 step()（参见下面的训练循环）来实现此衰减。

exploration_module = EGreedyModule(
    annealing_num_steps=1_000_000, spec=env.action_spec, eps_init=0.2
)
stoch_policy = TensorDictSequential(
    policy,
    exploration_module,
)

将模型用于损失

我们构建的模型非常适合在顺序设置中使用。然而，torch.nn.LSTM 类可以使用 cuDNN 优化的后端在 GPU 设备上更快地运行 RNN 序列。我们不想错过加速训练循环的这个机会！

默认情况下，torchrl 损失在执行任何 LSTMModule 或 GRUModule 前向调用时会使用此功能。如果您需要手动控制此行为，RNN 模块对上下文管理器/装饰器 set_recurrent_mode 很敏感，该上下文管理器/装饰器会处理底层 RNN 模块的行为。

由于我们仍有几个未初始化的参数，因此在创建优化器等之前应先初始化它们。

policy(env.reset())

DQN 损失

我们的 DQN 损失要求我们传递策略，并且再次传递动作空间。虽然这看起来是多余的，但它很重要，因为我们想确保 DQNLoss 和 QValueModule 类是兼容的，但它们没有强依赖关系。

要使用 Double-DQN，我们需要一个 delay_value 参数，它将创建一个网络的非可微分副本，用于作为目标网络。

loss_fn = DQNLoss(policy, action_space=env.action_spec, delay_value=True)

由于我们正在使用 Double DQN，因此需要更新目标参数。我们将使用 SoftUpdate 实例来完成此工作。

updater = SoftUpdate(loss_fn, eps=0.95)

optim = torch.optim.Adam(policy.parameters(), lr=3e-4)

收集器和回放缓冲区

我们构建了最简单的数据收集器。我们将尝试用一千万帧来训练我们的算法，一次将缓冲区扩展 50 帧。缓冲区将被设计为存储 20,000 个长度为 50 步的轨迹。在每个优化步骤（每次数据收集 16 次），我们将从缓冲区收集 4 个项目，总共 200 个转换。我们将使用 LazyMemmapStorage 存储将数据保留在磁盘上。

注意

为了效率起见，我们这里只运行了数千次迭代。在实际设置中，总帧数应设置为 1M。

buffer_scratch_dir = tempfile.TemporaryDirectory().name

collector = SyncDataCollector(env, stoch_policy, frames_per_batch=50, total_frames=200)
rb = TensorDictReplayBuffer(
    storage=LazyMemmapStorage(20_000, scratch_dir=buffer_scratch_dir),
    batch_size=4,
    prefetch=10,
)

训练循环

为了跟踪进度，我们将每 50 次数据收集在环境中运行一次策略，并在训练后绘制结果。

utd = 16
pbar = tqdm.tqdm(total=collector.total_frames)
longest = 0

traj_lens = []
for i, data in enumerate(collector):
    if i == 0:
        print(
            "Let us print the first batch of data.\nPay attention to the key names "
            "which will reflect what can be found in this data structure, in particular: "
            "the output of the QValueModule (action_values, action and chosen_action_value),"
            "the 'is_init' key that will tell us if a step is initial or not, and the "
            "recurrent_state keys.\n",
            data,
        )
    pbar.update(data.numel())
    # it is important to pass data that is not flattened
    rb.extend(data.unsqueeze(0).to_tensordict().cpu())
    for _ in range(utd):
        s = rb.sample().to(device, non_blocking=True)
        loss_vals = loss_fn(s)
        loss_vals["loss"].backward()
        optim.step()
        optim.zero_grad()
    longest = max(longest, data["step_count"].max().item())
    pbar.set_description(
        f"steps: {longest}, loss_val: {loss_vals['loss'].item(): 4.4f}, action_spread: {data['action'].sum(0)}"
    )
    exploration_module.step(data.numel())
    updater.step()

    with set_exploration_type(ExplorationType.DETERMINISTIC), torch.no_grad():
        rollout = env.rollout(10000, stoch_policy)
        traj_lens.append(rollout.get(("next", "step_count")).max().item())

让我们绘制我们的结果。

if traj_lens:
    from matplotlib import pyplot as plt

    plt.plot(traj_lens)
    plt.xlabel("Test collection")
    plt.title("Test trajectory lengths")

结论

我们已经看到了如何在 TorchRL 中将 RNN 纳入策略。现在您应该能够：

• 创建一个充当 TensorDictModule 的 LSTM 模块。

• 通过 InitTracker 转换指示 LSTM 模块需要重置。

• 将此模块纳入策略和损失模块。

• 确保收集器了解循环状态条目，以便它们可以与其余数据一起存储在回放缓冲区中。

延伸阅读

• TorchRL 文档可以在这里找到。