TorchRL 模块入门

作者：Vincent Moens

注意

要在 notebook 中运行本教程，请在开头添加一个安装单元格，其中包含：

!pip install tensordict
!pip install torchrl

强化学习旨在创建能够有效应对特定任务的策略。策略可以采取多种形式，从将观测空间映射到动作空间的微分映射，到更临时的诸如对为每个可能动作计算的值列表取 argmax 之类的方法。策略可以是确定性的或随机性的，并可能包含复杂的元素，例如循环神经网络 (RNN) 或 Transformer。

容纳所有这些场景可能会相当复杂。在本简洁的教程中，我们将深入探讨 TorchRL 在策略构建方面的核心功能。我们将主要关注两种常见场景下的随机策略和 Q 值策略：使用多层感知器 (MLP) 或卷积神经网络 (CNN) 作为骨干。

TensorDictModules

就像环境与 TensorDict 实例进行交互一样，用于表示策略和值函数的模块也执行相同的操作。核心思想很简单：将标准的 Module（或任何其他函数）封装在一个类中，该类知道需要读取哪些条目并将其传递给模块，然后将结果记录到指定的条目中。为了说明这一点，我们将使用最简单的策略：一个从观测空间到动作空间的确定性映射。为了最大程度地通用，我们将使用 LazyLinear 模块，并结合我们在上一教程中实例化的 Pendulum 环境。

import torch

from tensordict.nn import TensorDictModule
from torchrl.envs import GymEnv

env = GymEnv("Pendulum-v1")
module = torch.nn.LazyLinear(out_features=env.action_spec.shape[-1])
policy = TensorDictModule(
    module,
    in_keys=["observation"],
    out_keys=["action"],
)

这就是执行我们的策略所需的全部！懒惰模块的使用使我们能够绕过获取观测空间形状的需要，因为模块将自动确定它。此策略现在已准备好在环境中运行

rollout = env.rollout(max_steps=10, policy=policy)
print(rollout)

专用包装器

为了简化 Actor、# ProbabilisticActor、# ActorValueOperator 或 # ActorCriticOperator 的集成。例如，Actor 为 in_keys 和 out_keys 提供了默认值，使与许多常见环境的集成变得简单

from torchrl.modules import Actor

policy = Actor(module)
rollout = env.rollout(max_steps=10, policy=policy)
print(rollout)

可在 API 参考 中找到可用专用 TensorDictModules 的列表。

网络

TorchRL 还提供可以在不依赖 tensordict 功能的情况下使用的常规模块。您将遇到的最常见的两个网络是 MLP 和 ConvNet (CNN) 模块。我们可以用这些网络之一替换我们的策略模块

from torchrl.modules import MLP

module = MLP(
    out_features=env.action_spec.shape[-1],
    num_cells=[32, 64],
    activation_class=torch.nn.Tanh,
)
policy = Actor(module)
rollout = env.rollout(max_steps=10, policy=policy)

TorchRL 还支持基于 RNN 的策略。由于这是一个更技术性的主题，因此在 单独的教程 中进行了介绍。

随机策略

策略优化算法，例如 PPO，要求策略是随机的：与上面的示例不同，现在模块对从观测空间到编码动作空间分布的参数空间的映射进行编码。TorchRL 通过将各种操作（例如从参数构建分布、从该分布采样以及检索对数概率）归集到一个类中来促进此类模块的设计。在这里，我们将构建一个依赖于常规正态分布的 Actor，它使用三个组件

• 一个 MLP 主干，读取大小为 [3] 的观测值，并输出大小为 [2] 的单个张量；

• 一个 NormalParamExtractor 模块，它将此输出分成两个块：均值和标准差，大小均为 [1]；

• 一个 ProbabilisticActor，它将这些参数作为 in_keys 读取，用它们创建分布，并用样本和对数概率填充我们的 tensordict。

from tensordict.nn.distributions import NormalParamExtractor
from torch.distributions import Normal
from torchrl.modules import ProbabilisticActor

backbone = MLP(in_features=3, out_features=2)
extractor = NormalParamExtractor()
module = torch.nn.Sequential(backbone, extractor)
td_module = TensorDictModule(module, in_keys=["observation"], out_keys=["loc", "scale"])
policy = ProbabilisticActor(
    td_module,
    in_keys=["loc", "scale"],
    out_keys=["action"],
    distribution_class=Normal,
    return_log_prob=True,
)

rollout = env.rollout(max_steps=10, policy=policy)
print(rollout)

关于这次 rollout 有几点需要注意

• 由于我们在 actor 的构造过程中要求了它，因此在那个时间点，给定分布的动作的对数概率也会被写入。这对于 PPO 等算法是必需的。

• 分布的参数也会在输出 tensordict 中返回，位于 "loc" 和 "scale" 条目下。

您可以控制动作的采样，以便使用期望值或其他分布属性，而不是使用随机样本，如果您的应用程序需要的话。这可以通过 set_exploration_type() 函数来控制

from torchrl.envs.utils import ExplorationType, set_exploration_type

with set_exploration_type(ExplorationType.DETERMINISTIC):
    # takes the mean as action
    rollout = env.rollout(max_steps=10, policy=policy)
with set_exploration_type(ExplorationType.RANDOM):
    # Samples actions according to the dist
    rollout = env.rollout(max_steps=10, policy=policy)

请查看文档字符串中的 default_interaction_type 关键字参数以了解更多信息。

探索

像这样的随机策略在某种程度上自然地权衡了探索和利用，但确定性策略则不会。幸运的是，TorchRL 也可以通过其探索模块来缓解这种情况。我们将以 EGreedyModule 探索模块为例（还可以查看 AdditiveGaussianModule 和 OrnsteinUhlenbeckProcessModule）。为了让这个模块生效，让我们回到确定性策略

from tensordict.nn import TensorDictSequential
from torchrl.modules import EGreedyModule

policy = Actor(MLP(3, 1, num_cells=[32, 64]))

我们的 epsilon (\(\epsilon\))-greedy 探索模块通常会使用一定数量的退火帧和 epsilon (\(\epsilon\)) 参数的初始值进行定制。epsilon (\(\epsilon = 1\)) 的值意味着采取的每个动作都是随机的，而 epsilon (\(\epsilon=0\)) 意味着根本没有探索。为了退火（即减少）探索因子，需要调用 step()（请参阅最后一个 教程 中的示例）。

exploration_module = EGreedyModule(
    spec=env.action_spec, annealing_num_steps=1000, eps_init=0.5
)

为了构建我们的探索策略，我们只需要将确定性策略模块与探索模块在 TensorDictSequential 模块内（它是 tensordict 领域中 Sequential 的类似物）串联起来。

exploration_policy = TensorDictSequential(policy, exploration_module)

with set_exploration_type(ExplorationType.DETERMINISTIC):
    # Turns off exploration
    rollout = env.rollout(max_steps=10, policy=exploration_policy)
with set_exploration_type(ExplorationType.RANDOM):
    # Turns on exploration
    rollout = env.rollout(max_steps=10, policy=exploration_policy)

由于它必须能够从动作空间中采样随机动作，因此 EGreedyModule 必须配备环境的 action_space，以便知道使用何种策略来随机采样动作。

Q 值 Actor

在某些设置中，策略不是一个独立的模块，而是构建在另一个模块之上。Q 值 Actor 就是这种情况。简而言之，这些 Actor 需要动作值的估计（大多数时候是离散的），并且会贪婪地选择具有最高值的动作。在某些设置中（有限离散动作空间和有限离散状态空间），可以仅存储状态-动作对的二维表并选择具有最高值的动作。 DQN 带来的创新是通过使用神经网络来编码 Q(s, a) 值映射，将此扩展到连续状态空间。让我们考虑另一个具有离散动作空间的示例，以便更清晰地理解

env = GymEnv("CartPole-v1")
print(env.action_spec)

我们构建一个值网络，当它从环境中读取状态时，该网络会为每个动作生成一个值

num_actions = 2
value_net = TensorDictModule(
    MLP(out_features=num_actions, num_cells=[32, 32]),
    in_keys=["observation"],
    out_keys=["action_value"],
)

通过在值网络之后添加一个 QValueModule，我们可以轻松地构建我们的 Q 值 Actor

from torchrl.modules import QValueModule

policy = TensorDictSequential(
    value_net,  # writes action values in our tensordict
    QValueModule(spec=env.action_spec),  # Reads the "action_value" entry by default
)

让我们来看看！我们运行策略几个步骤，然后查看输出。在获得的 rollout 中，我们应该找到 "action_value" 以及 "chosen_action_value" 条目

rollout = env.rollout(max_steps=3, policy=policy)
print(rollout)

由于它依赖于 argmax 运算符，因此此策略是确定性的。在数据收集期间，我们需要探索环境。为此，我们再次使用 EGreedyModule

policy_explore = TensorDictSequential(policy, EGreedyModule(env.action_spec))

with set_exploration_type(ExplorationType.RANDOM):
    rollout_explore = env.rollout(max_steps=3, policy=policy_explore)

这就是我们使用 TorchRL 构建策略的简短教程！

您可以使用该库做更多的事情。一个好的起点是查看 模块的 API 参考。

后续步骤

• 查看如何使用复合分布与 CompositeDistribution（当动作是复合的时（例如，env 需要离散动作和连续动作））；

• 查看如何在策略中使用 RNN（教程）；

• 与 Decision Transformers 示例中的 Transformer 用法进行比较（请参阅 GitHub 上的 example 目录）。