A2CLoss¶

class torchrl.objectives.A2CLoss(*args, **kwargs)[原始碼]¶

A2C 損失的 TorchRL 實現。

A2C（Advantage Actor Critic，優勢演員-評論家）是一種無模型、線上強化學習演算法，它使用 n 步的並行 rollouts 來更新策略，並依賴 REINFORCE 估計器來計算梯度。它還在目標函式中添加了一個熵項以改進探索。

有關 A2C 的更多詳細資訊，請參閱：“Asynchronous Methods for Deep Reinforcment Learning”，https://arxiv.org/abs/1602.01783v2

引數:

actor_network (ProbabilisticTensorDictSequential) – 策略運算元。
critic_network (ValueOperator) – 值運算子。
entropy_bonus (bool) – 如果為 True，則會在損失中新增熵獎勵，以傾向於探索性策略。
samples_mc_entropy (int) – 如果從策略運算子檢索到的分佈沒有熵的封閉形式公式，則會使用蒙特卡洛估計。 samples_mc_entropy 將控制計算此估計值所需的樣本數量。預設為 1。
entropy_coeff (float) – 熵損失的權重。預設為 0.01`。
critic_coeff (float) – 評論家損失的權重。預設為 1.0。如果為 None，則不包含評論家損失，並且 in-keys 將缺少評論家輸入。
loss_critic_type (str) – 值差異的損失函式。可以是 “l1”、“l2” 或 “smooth_l1” 之一。預設為 "smooth_l1"。
separate_losses (bool, 可選) – 如果為 True，則策略和評估器之間的共享引數將僅針對策略損失進行訓練。預設為 False，即梯度將傳播到策略和評估器損失的共享引數。
advantage_key (str) – [已棄用，請改用 set_keys(advantage_key=advantage_key)] 預期寫入優勢的輸入 tensordict 鍵。預設值：“advantage”
value_target_key (str) – [已棄用，請改用 set_keys() 代替] 預期寫入目標狀態值的輸入 tensordict 鍵。預設為 "value_target"。
functional (bool, optional) – 模組是否應被函式化。函式化允許 meta-RL 等功能，但使得無法使用分散式模型（DDP、FSDP 等），並且會帶來一點開銷。預設為 True。
reduction (str, optional) – 指定應用於輸出的約簡："none" | "mean" | "sum"。"none"：不應用約簡，"mean"：輸出的總和將除以輸出中的元素數量，"sum"：將對輸出進行求和。預設為 "mean"。
clip_value (float, 可選) – 如果提供，它將用於計算值預測的裁剪版本，相對於輸入值估計，並用於計算值損失。裁剪的目的是限制極端值預測的影響，有助於穩定訓練並防止大幅更新。但是，如果值估計是由當前版本的值估計器完成的，則它將沒有影響。預設為 None。

示例

>>> import torch
>>> from torch import nn
>>> from torchrl.data import Bounded
>>> from torchrl.modules.distributions import NormalParamExtractor, TanhNormal
>>> from torchrl.modules.tensordict_module.actors import ProbabilisticActor, ValueOperator
>>> from torchrl.modules.tensordict_module.common import SafeModule
>>> from torchrl.objectives.a2c import A2CLoss
>>> from tensordict import TensorDict
>>> n_act, n_obs = 4, 3
>>> spec = Bounded(-torch.ones(n_act), torch.ones(n_act), (n_act,))
>>> net = nn.Sequential(nn.Linear(n_obs, 2 * n_act), NormalParamExtractor())
>>> module = SafeModule(net, in_keys=["observation"], out_keys=["loc", "scale"])
>>> actor = ProbabilisticActor(
...     module=module,
...     in_keys=["loc", "scale"],
...     spec=spec,
...     distribution_class=TanhNormal)
>>> module = nn.Linear(n_obs, 1)
>>> value = ValueOperator(
...     module=module,
...     in_keys=["observation"])
>>> loss = A2CLoss(actor, value, loss_critic_type="l2")
>>> batch = [2, ]
>>> action = spec.rand(batch)
>>> data = TensorDict({
...         "observation": torch.randn(*batch, n_obs),
...         "action": action,
...         ("next", "done"): torch.zeros(*batch, 1, dtype=torch.bool),
...         ("next", "terminated"): torch.zeros(*batch, 1, dtype=torch.bool),
...         ("next", "reward"): torch.randn(*batch, 1),
...         ("next", "observation"): torch.randn(*batch, n_obs),
...     }, batch)
>>> loss(data)
TensorDict(
    fields={
        entropy: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        loss_critic: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        loss_entropy: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        loss_objective: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False)},
    batch_size=torch.Size([]),
    device=None,
    is_shared=False)

此類與非 tensordict 的模組相容，並且可以在不依賴任何與 tensordict 相關的原語的情況下使用。在這種情況下，預期的關鍵字引數是：["action", "next_reward", "next_done", "next_terminated"] + actor 和 critic 的 in-keys。返回值是一個按以下順序排列的張量元組：["loss_objective"] + 如果 critic_coeff 不是 None，則為 ["loss_critic"] + 如果 entropy_bonus 為 True 且 critic_coeff 不是 None，則為 ["entropy", "loss_entropy"]。

示例

>>> import torch
>>> from torch import nn
>>> from torchrl.data import Bounded
>>> from torchrl.modules.distributions import NormalParamExtractor, TanhNormal
>>> from torchrl.modules.tensordict_module.actors import ProbabilisticActor, ValueOperator
>>> from torchrl.modules.tensordict_module.common import SafeModule
>>> from torchrl.objectives.a2c import A2CLoss
>>> _ = torch.manual_seed(42)
>>> n_act, n_obs = 4, 3
>>> spec = Bounded(-torch.ones(n_act), torch.ones(n_act), (n_act,))
>>> net = nn.Sequential(nn.Linear(n_obs, 2 * n_act), NormalParamExtractor())
>>> module = SafeModule(net, in_keys=["observation"], out_keys=["loc", "scale"])
>>> actor = ProbabilisticActor(
...     module=module,
...     in_keys=["loc", "scale"],
...     spec=spec,
...     distribution_class=TanhNormal)
>>> module = nn.Linear(n_obs, 1)
>>> value = ValueOperator(
...     module=module,
...     in_keys=["observation"])
>>> loss = A2CLoss(actor, value, loss_critic_type="l2")
>>> batch = [2, ]
>>> loss_obj, loss_critic, entropy, loss_entropy = loss(
...     observation = torch.randn(*batch, n_obs),
...     action = spec.rand(batch),
...     next_done = torch.zeros(*batch, 1, dtype=torch.bool),
...     next_terminated = torch.zeros(*batch, 1, dtype=torch.bool),
...     next_reward = torch.randn(*batch, 1),
...     next_observation = torch.randn(*batch, n_obs))
>>> loss_obj.backward()

輸出鍵也可以使用 SACLoss.select_out_keys() 方法進行過濾。

示例

>>> loss.select_out_keys('loss_objective', 'loss_critic')
>>> loss_obj, loss_critic = loss(
...     observation = torch.randn(*batch, n_obs),
...     action = spec.rand(batch),
...     next_done = torch.zeros(*batch, 1, dtype=torch.bool),
...     next_terminated = torch.zeros(*batch, 1, dtype=torch.bool),
...     next_reward = torch.randn(*batch, 1),
...     next_observation = torch.randn(*batch, n_obs))
>>> loss_obj.backward()

注意

與非 tensordict 模組的相容性有一個例外。如果 actor 網路是機率性的，並且使用 CompositeDistribution，則此類必須與 tensordicts 一起使用，並且不能作為獨立於 tensordict 的模組執行。這是因為複合動作空間固有地依賴於 tensordicts 提供的結構化資料表示來處理其動作。

default_keys¶: 別名：_AcceptedKeys

forward(tensordict: TensorDictBase = None) → TensorDictBase[原始碼]¶

它旨在讀取一個輸入的 TensorDict 並返回另一個包含名為“loss*”的損失鍵的 tensordict。

將損失分解為其組成部分可以被訓練器用於在訓練過程中記錄各種損失值。輸出 tensordict 中存在的其他標量也將被記錄。

引數:: tensordict – 一個輸入的 tensordict，包含計算損失所需的值。
返回:: 一個沒有批處理維度的新 tensordict，其中包含各種損失標量，這些標量將被命名為“loss*”。重要的是，損失必須以這個名稱返回，因為它們將在反向傳播之前被訓練器讀取。

property functional¶

模組是否功能化。

除非經過專門設計使其不具有功能性，否則所有損失都具有功能性。

loss_critic(tensordict: TensorDictBase) → tuple[torch.Tensor, float][原始碼]¶

返回評論家損失值，乘以 critic_coeff（如果它不是 None）。

返回損失值和裁剪分數。

make_value_estimator(value_type: Optional[ValueEstimators] = None, **hyperparams)[原始碼]¶

值函式建構函式。

如果需要非預設值函式，必須使用此方法構建。

引數:

value_type (ValueEstimators) – 一個 ValueEstimators 列舉型別，指示要使用的值函式。如果未提供，將使用儲存在 default_value_estimator 屬性中的預設值。生成的估值器類將註冊在 self.value_type 中，以便將來進行改進。
**hyperparams – 用於值函式的超引數。如果未提供，將使用 default_value_kwargs() 中指示的值。

示例

>>> from torchrl.objectives import DQNLoss
>>> # initialize the DQN loss
>>> actor = torch.nn.Linear(3, 4)
>>> dqn_loss = DQNLoss(actor, action_space="one-hot")
>>> # updating the parameters of the default value estimator
>>> dqn_loss.make_value_estimator(gamma=0.9)
>>> dqn_loss.make_value_estimator(
...     ValueEstimators.TD1,
...     gamma=0.9)
>>> # if we want to change the gamma value
>>> dqn_loss.make_value_estimator(dqn_loss.value_type, gamma=0.9)

A2CLoss¶

文件

教程

資源