TorchRL 环境

作者：Vincent Moens

环境在 RL 设置中起着至关重要的作用，通常与监督和无监督设置中的数据集有些相似。RL 社区已经非常熟悉 OpenAI gym API，它提供了一种构建、初始化和与之交互的灵活方式。然而，存在许多其他库，与它们交互的方式可能与 *gym* 的预期大相径庭。

让我们从描述 TorchRL 如何与 gym 交互开始，这将作为介绍其他框架的引子。

Gym 环境

要运行本教程的这一部分，您需要安装最新版本的 gym 库以及 atari suite。您可以通过安装以下软件包来安装：

为了统一所有框架，torchrl 环境是在 `__init__` 方法中使用一个名为 `_build_env` 的私有方法构建的，该方法会将参数和关键字参数传递给根库构建器。

使用 gym，这意味着构建一个环境就像

import torch
from matplotlib import pyplot as plt
from tensordict import TensorDict

from torchrl.envs.libs.gym import GymEnv

env = GymEnv("Pendulum-v1")

可以通过此命令访问可用环境列表

list(GymEnv.available_envs)[:10]

环境规格

与其他框架一样，TorchRL 环境具有指示观察、动作、完成和奖励空间的属性。由于经常检索多个观察结果，我们期望观察规格的类型为 `CompositeSpec`。奖励和动作没有此限制

print("Env observation_spec: \n", env.observation_spec)
print("Env action_spec: \n", env.action_spec)
print("Env reward_spec: \n", env.reward_spec)

这些规格附带了一系列有用的工具：可以断言样本是否在定义的空间内。我们还可以使用一些启发式方法将样本投影到空间内（如果它超出空间），并在此空间内生成随机（可能均匀分布）数字

action = torch.ones(1) * 3
print("action is in bounds?\n", bool(env.action_spec.is_in(action)))
print("projected action: \n", env.action_spec.project(action))

print("random action: \n", env.action_spec.rand())

在这些规格之外，`done_spec` 值得特别关注。在 TorchRL 中，所有环境都写入至少两种类型的轨迹结束信号：“terminated”（表示马尔可夫决策过程已达到最终状态 - __episode__ 已完成）和 `"done"`，表示这是 __trajectory__ 的最后一步（但不一定是任务的结束）。通常，当 `terminal` 为 `False` 时为 `True` 的 `"done"` 条目是由 `"truncated"` 信号引起的。Gym 环境考虑了这三个信号

print(env.done_spec)

环境还附带一个类型为 `CompositeSpec` 的 `env.state_spec` 属性，其中包含所有输入到环境但不是动作的规格。对于有状态环境（例如 gym），这通常是空的。对于无状态环境（例如 Brax），这也应该包括先前状态的表示，或任何其他环境输入（包括重置时的输入）。

设置种子、重置和步进

环境的基本操作是（1）`set_seed`、（2）`reset` 和（3）`step`。

让我们看看这些方法在 TorchRL 中是如何工作的

torch.manual_seed(0)  # make sure that all torch code is also reproductible
env.set_seed(0)
reset_data = env.reset()
print("reset data", reset_data)

我们现在可以在环境中执行一个步进。由于我们没有策略，我们可以生成一个随机动作

policy = TensorDictModule(env.action_spec.rand, in_keys=[], out_keys=["action"])


policy(reset_data)
tensordict_out = env.step(reset_data)

默认情况下，`step` 返回的 tensordict 与输入相同…

assert tensordict_out is reset_data

… 但带有新键

tensordict_out

我们刚刚所做的（使用 `action_spec.rand()` 进行随机步进）也可以通过简单的快捷方式完成。

env.rand_step()

新的键 `("next", "observation")`（如同 `"next"` tensordict 下的所有键）在 TorchRL 中有一个特殊的作用：它们表示它们紧跟在同名但不带前缀的键之后。

我们提供了一个 `step_mdp` 函数，该函数在 tensordict 中执行步进：它返回一个更新后的新 tensordict，使得 *t < -t’*

from torchrl.envs.utils import step_mdp

tensordict_out.set("some other key", torch.randn(1))
tensordict_tprime = step_mdp(tensordict_out)

print(tensordict_tprime)
print(
    (
        tensordict_tprime.get("observation")
        == tensordict_out.get(("next", "observation"))
    ).all()
)

我们可以观察到 `step_mdp` 删除了所有与时间相关的键值对，但 `"some other key"` 除外。此外，新的观察结果与之前的观察结果匹配。

最后，请注意 `env.reset` 方法也接受一个 tensordict 来更新

data = TensorDict()
assert env.reset(data) is data
data

Rollouts（回放）

TorchRL 提供的通用环境类允许您轻松地运行给定步数的 rollout

tensordict_rollout = env.rollout(max_steps=20, policy=policy)
print(tensordict_rollout)

生成的 tensordict 的 `batch_size` 为 `[20]`，这是轨迹的长度。我们可以检查观察结果是否与其下一个值匹配

(
    tensordict_rollout.get("observation")[1:]
    == tensordict_rollout.get(("next", "observation"))[:-1]
).all()

`frame_skip`

在某些情况下，使用 `frame_skip` 参数将相同的动作用于连续的几帧很有用。

生成的 tensordict 将只包含序列中观察到的最后一帧，但奖励将按帧数累加。

如果环境在此过程中达到完成状态，它将停止并返回截断链的结果。

env = GymEnv("Pendulum-v1", frame_skip=4)
env.reset()

渲染

渲染在许多 RL 设置中都起着重要作用，这就是为什么 torchrl 的通用环境类提供了一个 `from_pixels` 关键字参数，允许用户快速请求基于图像的环境

env = GymEnv("Pendulum-v1", from_pixels=True)

data = env.reset()
env.close()

plt.imshow(data.get("pixels").numpy())

让我们看看 tensordict 中包含什么

data

我们仍然有一个 `"state"`，它描述了 `"observation"` 在前一种情况下的作用（命名差异来自于 gym 现在返回一个字典，而 TorchRL 从字典中获取名称（如果存在），否则它将步进输出命名为 `"observation"`：简而言之，这是由于 gym 环境步进方法返回的对象类型不一致）。

还可以通过仅请求像素来丢弃此附加输出

env = GymEnv("Pendulum-v1", from_pixels=True, pixels_only=True)
env.reset()
env.close()

有些环境只以基于图像的格式提供

env = GymEnv("ALE/Pong-v5")
print("from pixels: ", env.from_pixels)
print("data: ", env.reset())
env.close()

DeepMind 控制环境

要运行本教程的这一部分，请确保您已安装 dm_control

$ pip install dm_control

我们还为 DM Control suite 提供了一个包装器。同样，构建环境也很容易：首先让我们看看可以访问哪些环境。`available_envs` 现在返回一个环境和可能任务的字典

from matplotlib import pyplot as plt

from torchrl.envs.libs.dm_control import DMControlEnv

DMControlEnv.available_envs

env = DMControlEnv("acrobot", "swingup")
data = env.reset()
print("result of reset: ", data)
env.close()

当然，我们也可以使用基于像素的环境

env = DMControlEnv("acrobot", "swingup", from_pixels=True, pixels_only=True)
data = env.reset()
print("result of reset: ", data)
plt.imshow(data.get("pixels").numpy())
env.close()

转换环境

在策略读取环境输出或将其存储在缓冲区之前对其进行预处理是很常见的。

在许多情况下，RL 社区采用了如下的包装方案

$ env_transformed = wrapper1(wrapper2(env))

来转换环境。这有很多优点：它使得访问环境规格变得显而易见（外部包装器是外部世界的真相来源），并且它使得与矢量化环境交互变得容易。然而，这也使得访问内部环境变得困难：假设一个人想从链中删除一个包装器（例如 `wrapper2`），这个操作需要我们收集

$ env0 = env.env.env

$ env_transformed_bis = wrapper1(env0)

TorchRL 采取了使用转换序列的立场，正如其他 pytorch 领域库（例如 `torchvision`）所做的那样。这种方法也类似于 `torch.distribution` 中转换分布的方式，其中 `TransformedDistribution` 对象围绕 `base_dist` 分布和（一系列）`transforms` 构建。

from torchrl.envs.transforms import ToTensorImage, TransformedEnv

# ToTensorImage transforms a numpy-like image into a tensor one,
env = DMControlEnv("acrobot", "swingup", from_pixels=True, pixels_only=True)
print("reset before transform: ", env.reset())

env = TransformedEnv(env, ToTensorImage())
print("reset after transform: ", env.reset())
env.close()

要组合转换，只需使用 `Compose` 类

from torchrl.envs.transforms import Compose, Resize

env = DMControlEnv("acrobot", "swingup", from_pixels=True, pixels_only=True)
env = TransformedEnv(env, Compose(ToTensorImage(), Resize(32, 32)))
env.reset()

转换也可以一次添加一个

from torchrl.envs.transforms import GrayScale

env.append_transform(GrayScale())
env.reset()

正如预期的那样，元数据也得到了更新

print("original obs spec: ", env.base_env.observation_spec)
print("current obs spec: ", env.observation_spec)

如果需要，我们也可以连接张量

from torchrl.envs.transforms import CatTensors

env = DMControlEnv("acrobot", "swingup")
print("keys before concat: ", env.reset())

env = TransformedEnv(
    env,
    CatTensors(in_keys=["orientations", "velocity"], out_key="observation"),
)
print("keys after concat: ", env.reset())

此功能可以轻松修改应用于环境输入和输出的转换集。实际上，转换在步骤执行之前和之后都会运行：对于预步进过程，`in_keys_inv` 键列表将传递给 `_inv_apply_transform` 方法。这种转换的一个例子是将浮点动作（来自神经网络的输出）转换为双精度类型（由包装的环境需要）。在执行步进之后，`_apply_transform` 方法将在 `in_keys` 键列表指示的键上执行。

环境转换的另一个有趣特性是，它们允许用户在包装的情况下检索 `env.env` 的等价物，换句话说，就是父环境。可以通过调用 `transform.parent` 来检索父环境：返回的环境将是一个 `TransformedEnvironment`，其中包含到当前转换（但不包括）为止的所有转换。例如，这可以在 `NoopResetEnv` 的情况下使用，它在重置时执行以下步骤：在执行环境中的一定数量的随机步进之前重置父环境。

env = DMControlEnv("acrobot", "swingup")
env = TransformedEnv(env)
env.append_transform(
    CatTensors(in_keys=["orientations", "velocity"], out_key="observation")
)
env.append_transform(GrayScale())

print("env: \n", env)
print("GrayScale transform parent env: \n", env.transform[1].parent)
print("CatTensors transform parent env: \n", env.transform[0].parent)

环境设备

转换可以在设备上工作，这在操作中等或高度计算密集时可以带来显著的加速。这些包括 `ToTensorImage`、`Resize`、`GrayScale` 等。

可以合理地询问这对包装环境有什么影响。对于常规环境来说影响很小：操作仍将在应有的设备上进行。TorchRL 中的环境设备属性指示传入数据应在哪个设备上，以及传出数据将在哪个设备上。将数据转换为该设备以及从该设备转换是 torchrl 环境类的责任。将数据存储在 GPU 上的主要优势是（1）如上所述的转换加速和（2）在多进程环境中共享数据。

from torchrl.envs.transforms import CatTensors, GrayScale, TransformedEnv

env = DMControlEnv("acrobot", "swingup")
env = TransformedEnv(env)
env.append_transform(
    CatTensors(in_keys=["orientations", "velocity"], out_key="observation")
)

if torch.has_cuda and torch.cuda.device_count():
    env.to("cuda:0")
    env.reset()

并行运行环境

TorchRL 提供了并行运行环境的实用工具。预计各种环境读取和返回相似形状和数据类型的张量（但可以设计掩码函数，以便在这些张量形状不同时使此操作成为可能）。创建此类环境非常容易。让我们看看最简单的情况

from torchrl.envs import ParallelEnv


def env_make():
    return GymEnv("Pendulum-v1")


parallel_env = ParallelEnv(3, env_make)  # -> creates 3 envs in parallel
parallel_env = ParallelEnv(
    3, [env_make, env_make, env_make]
)  # similar to the previous command

`SerialEnv` 类类似于 `ParallelEnv`，只是环境是顺序运行的。这主要用于调试目的。

`ParallelEnv` 实例以惰性模式创建：环境将在被调用时才开始运行。这允许我们将 `ParallelEnv` 对象从一个进程移动到另一个进程，而无需过多担心正在运行的进程。可以通过调用 `start`、`reset` 来启动 `ParallelEnv`，或者仅通过调用 `step`（如果不需要先调用 `reset`）。

parallel_env.reset()

可以检查并行环境是否具有正确的批次大小。根据惯例，`batch_size` 的第一部分表示批次，第二部分表示时间帧。让我们用 `rollout` 方法来检查这一点

parallel_env.rollout(max_steps=20)

关闭并行环境

重要提示：在关闭程序之前，关闭并行环境很重要。通常，即使对于常规环境，也建议通过调用 `close` 来关闭函数。在某些情况下，如果未执行此操作，TorchRL 将抛出错误（并且通常在程序结束时，当环境超出范围时！）。

parallel_env.close()

设置种子

在为并行环境设置种子时，我们面临的困难是我们不想为所有环境提供相同的种子。TorchRL 使用的启发式方法是，我们以一种“马尔可夫式”的方式生成一个确定的种子链，给定输入种子，使其可以从其任何元素重建。所有 `set_seed` 方法都将返回要使用的下一个种子，这样就可以轻松地根据最后一个种子保持链的连续性。当多个收集器都包含 `ParallelEnv` 实例，并且我们希望每个子子环境都有不同的种子时，这很有用。

out_seed = parallel_env.set_seed(10)
print(out_seed)

del parallel_env

访问环境属性

有时包装的环境有一个我们感兴趣的属性。首先，请注意 TorchRL 环境包装器限制了访问此属性的工具。这是一个例子

from time import sleep

from uuid import uuid1


def env_make():
    env = GymEnv("Pendulum-v1")
    env._env.foo = f"bar_{uuid1()}"
    env._env.get_something = lambda r: r + 1
    return env


env = env_make()

# Goes through env._env
env.foo

parallel_env = ParallelEnv(3, env_make)  # -> creates 3 envs in parallel

# env has not been started --> error:
try:
    parallel_env.foo
except RuntimeError:
    print("Aargh what did I do!")
    sleep(2)  # make sure we don't get ahead of ourselves

if parallel_env.is_closed:
    parallel_env.start()
foo_list = parallel_env.foo
foo_list  # needs to be instantiated, for instance using list

list(foo_list)

类似地，也可以访问方法

something = parallel_env.get_something(0)
print(something)

parallel_env.close()
del parallel_env

并行环境的 kwargs

可能希望为各种环境提供 kwargs。这可以在构造时或之后实现

from torchrl.envs import ParallelEnv


def env_make(env_name):
    env = TransformedEnv(
        GymEnv(env_name, from_pixels=True, pixels_only=True),
        Compose(ToTensorImage(), Resize(64, 64)),
    )
    return env


parallel_env = ParallelEnv(
    2,
    [env_make, env_make],
    create_env_kwargs=[{"env_name": "ALE/AirRaid-v5"}, {"env_name": "ALE/Pong-v5"}],
)
data = parallel_env.reset()

plt.figure()
plt.subplot(121)
plt.imshow(data[0].get("pixels").permute(1, 2, 0).numpy())
plt.subplot(122)
plt.imshow(data[1].get("pixels").permute(1, 2, 0).numpy())
parallel_env.close()
del parallel_env

from matplotlib import pyplot as plt

转换并行环境

有两种等效的方法可以转换并行环境：在每个进程中单独进行，或在主进程中进行。甚至可以同时进行。因此，可以仔细考虑转换设计，以利用设备功能（例如，在 cuda 设备上进行转换）以及在可能的情况下在主进程上进行矢量化操作。

from torchrl.envs import (
    Compose,
    GrayScale,
    ParallelEnv,
    Resize,
    ToTensorImage,
    TransformedEnv,
)


def env_make(env_name):
    env = TransformedEnv(
        GymEnv(env_name, from_pixels=True, pixels_only=True),
        Compose(ToTensorImage(), Resize(64, 64)),
    )  # transforms on remote processes
    return env


parallel_env = ParallelEnv(
    2,
    [env_make, env_make],
    create_env_kwargs=[{"env_name": "ALE/AirRaid-v5"}, {"env_name": "ALE/Pong-v5"}],
)
parallel_env = TransformedEnv(parallel_env, GrayScale())  # transforms on main process
data = parallel_env.reset()

print("grayscale data: ", data)
plt.figure()
plt.subplot(121)
plt.imshow(data[0].get("pixels").permute(1, 2, 0).numpy())
plt.subplot(122)
plt.imshow(data[1].get("pixels").permute(1, 2, 0).numpy())
parallel_env.close()
del parallel_env

VecNorm（矢量化归一化）

在 RL 中，我们经常面临在将数据输入模型之前对其进行归一化的问题。有时，我们可以通过例如随机策略（或演示）从环境中收集的数据获得良好的归一化统计数据近似值。但是，建议“即时”归一化数据，并根据到目前为止的观察结果逐步更新归一化常数。当期望归一化统计数据随着任务性能的变化而变化，或者环境由于外部因素而演变时，这一点尤其有用。

警告：此功能在与非策略学习一起使用时应谨慎，因为旧数据将因其使用先前有效的归一化统计数据的归一化而被“弃用”。即使在策略内设置中，此功能也会使学习变得不稳定，并可能产生意外效果。因此，建议用户谨慎使用此功能，并将其与使用固定版本归一化常数进行数据归一化进行比较。

在常规设置中，使用 VecNorm 非常简单

from torchrl.envs.libs.gym import GymEnv
from torchrl.envs.transforms import TransformedEnv, VecNorm

env = TransformedEnv(GymEnv("Pendulum-v1"), VecNorm())
data = env.rollout(max_steps=100)

print("mean: :", data.get("observation").mean(0))  # Approx 0
print("std: :", data.get("observation").std(0))  # Approx 1

在 **并行环境** 中，情况稍微复杂一些，因为我们需要在进程之间共享运行统计数据。我们创建了一个 `EnvCreator` 类，该类负责查看环境创建方法，检索要在环境类之间共享的 tensordicts，并将每个进程指向正确共享的数据（一旦创建）。

from torchrl.envs import EnvCreator, ParallelEnv
from torchrl.envs.libs.gym import GymEnv
from torchrl.envs.transforms import TransformedEnv, VecNorm

make_env = EnvCreator(lambda: TransformedEnv(GymEnv("CartPole-v1"), VecNorm(decay=1.0)))
env = ParallelEnv(3, make_env)
print("env state dict:")
sd = TensorDict(make_env.state_dict())
print(sd)
# Zeroes all tensors
sd *= 0

data = env.rollout(max_steps=5)

print("data: ", data)
print("mean: :", data.get("observation").view(-1, 3).mean(0))  # Approx 0
print("std: :", data.get("observation").view(-1, 3).std(0))  # Approx 1

计数比步数略高（因为我们没有使用任何衰减）。两者之间的差异是由于 `ParallelEnv` 创建了一个虚拟环境来初始化用于从分派的环境收集数据的共享 `TensorDict`。这个微小的差异通常会在训练过程中被吸收。

print(
    "update counts: ",
    make_env.state_dict()["_extra_state"]["observation_count"],
)

env.close()
del env