intermediate/dqn_with_rnn_tutorial

在 Google Colab 中运行

Colab

下载 Notebook

Notebook

在 GitHub 上查看

GitHub

循环DQN：训练循环策略

创建日期：2023 年 11 月 8 日 | 最后更新：2025 年 1 月 27 日 | 最后验证：未验证

作者：Vincent Moens

您将学到什么

• 如何在 TorchRL 的 actor 中加入 RNN

• 如何将基于内存的策略与重放缓冲区和损失模块结合使用

先决条件

• PyTorch v2.0.0

• gym[mujoco]

• tqdm

概述

基于内存的策略至关重要，不仅在观测结果部分可观测时，而且在必须考虑时间维度才能做出明智决策时。

循环神经网络长期以来一直是基于内存策略的流行工具。其思想是在两个连续的步骤之间将循环状态保留在内存中，并将其与当前观测一起用作策略的输入。

本教程展示了如何使用 TorchRL 将 RNN 整合到策略中。

主要学习内容

• 在 TorchRL 的 actor 中整合 RNN；

• 将基于内存的策略与重放缓冲区和损失模块结合使用。

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

如图所示，我们的环境使用零填充的循环状态填充 TensorDict，策略会读取这些状态以及观测值以生成动作，以及将用于下一步的循环状态。当调用 step_mdp() 函数时，来自下一状态的循环状态将被带到当前 TensorDict。让我们看看这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 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

像往常一样，第一步是构建我们的环境：它帮助我们定义问题并相应地构建策略网络。在本教程中，我们将运行一个单像素的 CartPole gym 环境实例，并进行一些自定义转换：转换为灰度、调整大小为 84x84、缩小奖励并归一化观测值。

注意

StepCounter 转换是辅助性的。由于 CartPole 任务的目标是使轨迹尽可能长，因此计数步骤可以帮助我们跟踪策略的性能。

本教程有两个重要的转换

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

• TensorDictPrimer 转换稍微技术性一点。它不是使用 RNN 策略所必需的。但是，它会指示环境（以及随后的收集器）将会有一些额外的键。一旦添加，对 env.reset() 的调用将使用零填充的张量填充 primer 中指示的条目。由于知道策略期望这些张量，收集器将在收集期间将其传递。最终，我们将把我们的隐藏状态存储在重放缓冲区中，这将有助于我们在损失模块中启动 RNN 操作的计算（否则将用 0 初始化）。总而言之：不包含此转换不会对我们策略的训练产生巨大影响，但它会导致循环键从收集的数据和重放缓冲区中消失，这反过来会导致训练略微不那么优化。幸运的是，我们提出的 LSTMModule 配备了一个辅助方法来为我们构建该转换，所以我们可以等到我们构建它！

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"]),
    ),
)

像往常一样，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

我们的策略将包含 3 个组件：一个 ConvNet 主干网络、一个 LSTMModule 内存层和一个浅层 MLP 块，它将 LSTM 输出映射到动作值。

卷积网络

我们构建了一个卷积网络，并辅以一个 torch.nn.AdaptiveAvgPool2d，它将输出压缩成一个大小为 64 的向量。ConvNet 可以帮助我们完成此操作

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"],
)

我们在批量数据上执行第一个模块，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 集成到您的代码库中。它是 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应该读取和写入/更新哪些值。该类附带可定制的预定义值，以方便其构建。

注意

使用限制：该类支持几乎所有 LSTM 功能，例如 dropout 或多层 LSTM。然而，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 改变了此默认行为，因此我们使用原生调用即可。

此外，LSTM 不能将 bidirectional 属性设置为 True，因为这在在线设置中将无法使用。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",
)

让我们看看 LSTM 模块类，特别是它的输入和输出键

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。out_keys 前面有一个“next”前缀，表示它们需要写入“next”TensorDict 中。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() 将把循环状态移动到根 TensorDict，使其在下一次调用期间可供 RNN 使用（参见介绍中的图）。

如前所述，我们还有一个可选的转换要添加到我们的环境中，以确保循环状态传递到缓冲区。 make_tensordict_primer() 方法正是这样做的

env.append_transform(lstm.make_tensordict_primer())

就是这样！我们可以打印环境来检查在添加 primer 后一切是否正常

print(env)

MLP

我们使用单层 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,
)

并将偏差填充为零

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

我们策略的最后一部分是 Q 值模块。Q 值模块 QValueModule 将读取我们的 MLP 产生的 "action_values" 键，并从中获取具有最大值的动作。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范来完成。这允许我们使用 Categorical（有时称为“稀疏”）编码或其独热版本。

qval = QValueModule(spec=env.action_spec)

注意

TorchRL 还提供了一个包装类 torchrl.modules.QValueActor，它将模块与 QValueModule 一起包装在一个 Sequential 中，就像我们在这里显式地做的那样。这样做几乎没有优势，而且过程不太透明，但最终结果将与我们这里所做的相似。

我们现在可以将这些组件组合到 TensorDictSequential 中

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

DQN 是一种确定性算法，因此探索是其关键部分。我们将使用 \(\epsilon\)-贪婪策略，其中 epsilon 为 0.2，并逐渐衰减到 0。这种衰减是通过调用 step() 来实现的（参见下面的训练循环）。

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

使用模型进行损失计算

我们构建的模型非常适合在顺序设置中使用。然而，类 torch.nn.LSTM 可以使用 cuDNN 优化的后端在 GPU 设备上更快地运行 RNN 序列。我们不想错过这个加速训练循环的机会！要使用它，我们只需要告诉 LSTM 模块在损失使用时以“循环模式”运行。由于我们通常会有两个 LSTM 模块的副本，我们通过调用 set_recurrent_mode() 方法来做到这一点，该方法将返回一个新的 LSTM 实例（共享权重），该实例将假定输入数据本质上是序列的。

policy = Seq(feature, lstm.set_recurrent_mode(True), mlp, qval)

因为我们仍然有一些未初始化的参数，所以我们应该在创建优化器之前初始化它们。

policy(env.reset())

DQN 损失

我们的 DQN 损失要求我们传递策略，并再次传递动作空间。虽然这看起来多余，但它很重要，因为我们希望确保 DQNLoss 和 QValueModule 类兼容，但彼此之间没有强依赖关系。

要使用 Double-DQN，我们请求一个 delay_value 参数，它将创建网络参数的不可微分副本，用作目标网络。

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

由于我们使用的是双 DQN，因此我们需要更新目标参数。我们将使用 SoftUpdate 实例来完成这项工作。

updater = SoftUpdate(loss_fn, eps=0.95)

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

收集器和重放缓冲区

我们构建了最简单的数据收集器。我们将尝试使用一百万帧来训练我们的算法，每次扩展缓冲区 50 帧。缓冲区将设计为存储 2 万条轨迹，每条 50 步。在每个优化步骤（每数据收集 16 次），我们将从缓冲区中收集 4 个项目，总共 200 个转换。我们将使用 LazyMemmapStorage 存储将数据保存在磁盘上。

注意

为了效率起见，我们这里只运行几千次迭代。在实际设置中，总帧数应设置为 100 万。

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

训练循环

为了跟踪进度，我们每 50 次数据收集后在环境中运行策略一次，并在训练后绘制结果。

utd = 16
pbar = tqdm.tqdm(total=1_000_000)
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将 RNN 整合到 TorchRL 的策略中。您现在应该能够

• 创建一个充当 TensorDictModule 的 LSTM 模块

• 通过 InitTracker 转换向 LSTM 模块指示需要重置

• 将此模块整合到策略和损失模块中

• 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重放缓冲区中

进一步阅读

• TorchRL 文档可以在此处找到。