DQNLoss

class torchrl.objectives.DQNLoss(*args, **kwargs)

DQN Loss 類。

引數:

value_network (QValueActor 或 nn.Module) – Q 值運算子。

關鍵字引數:

• loss_function (str, optional) – 值差異的損失函式。可以是“l1”、“l2”或“smooth_l1”之一。預設為“l2”。

• delay_value (bool, optional) – 是否將值網路複製到一個新的目標值網路，以建立一個帶有目標網路 DQN。預設為 True。

• double_dqn (bool, optional) – 是否使用 Double DQN，如 https://arxiv.org/abs/1509.06461 中所述。預設為 False。

• action_space (str 或 TensorSpec, optional) – 動作空間。必須是“one-hot”、“mult_one_hot”、“binary”或“categorical”之一，或相應規格的例項（torchrl.data.OneHot、torchrl.data.MultiOneHot、torchrl.data.Binary 或 torchrl.data.Categorical）。如果未提供，將嘗試從值網路中檢索。

• priority_key (NestedKey, optional) – [已棄用，請改用 .set_keys(priority_key=priority_key)] 在此 ReplayBuffer 中新增的 TensorDict 中假設儲存優先順序的位置。這用於當取樣器型別為 PrioritizedSampler 時。預設為 "td_error"。

• 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"。

示例

>>> from torchrl.modules import MLP
>>> from torchrl.data import OneHot
>>> n_obs, n_act = 4, 3
>>> value_net = MLP(in_features=n_obs, out_features=n_act)
>>> spec = OneHot(n_act)
>>> actor = QValueActor(value_net, in_keys=["observation"], action_space=spec)
>>> loss = DQNLoss(actor, action_space=spec)
>>> batch = [10,]
>>> data = TensorDict({
...     "observation": torch.randn(*batch, n_obs),
...     "action": spec.rand(batch),
...     ("next", "observation"): torch.randn(*batch, n_obs),
...     ("next", "done"): torch.zeros(*batch, 1, dtype=torch.bool),
...     ("next", "terminated"): torch.zeros(*batch, 1, dtype=torch.bool),
...     ("next", "reward"): torch.randn(*batch, 1)
... }, batch)
>>> loss(data)
TensorDict(
    fields={
        loss: 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 基於的模組相容，並且可以在不依賴任何 tensordict 相關原語的情況下使用。在這種情況下，預期的關鍵字引數為：["observation", "next_observation", "action", "next_reward", "next_done", "next_terminated"]，並且將返回單個損失值。

示例

>>> from torchrl.objectives import DQNLoss
>>> from torchrl.data import OneHot
>>> from torch import nn
>>> import torch
>>> n_obs = 3
>>> n_action = 4
>>> action_spec = OneHot(n_action)
>>> value_network = nn.Linear(n_obs, n_action) # a simple value model
>>> dqn_loss = DQNLoss(value_network, action_space=action_spec)
>>> # define data
>>> observation = torch.randn(n_obs)
>>> next_observation = torch.randn(n_obs)
>>> action = action_spec.rand()
>>> next_reward = torch.randn(1)
>>> next_done = torch.zeros(1, dtype=torch.bool)
>>> next_terminated = torch.zeros(1, dtype=torch.bool)
>>> loss_val = dqn_loss(
...     observation=observation,
...     next_observation=next_observation,
...     next_reward=next_reward,
...     next_done=next_done,
...     next_terminated=next_terminated,
...     action=action)

default_keys

別名：_AcceptedKeys

forward(tensordict: TensorDictBase = None) → TensorDict

給定從回放緩衝區取樣的 tensordict，計算 DQN 損失。

此函式還將寫入一個 “td_error” 鍵，該鍵可用於優先順序回放緩衝區為 tensordict 中的項分配

優先順序。

引數:

tensordict (TensorDictBase) – 一個具有鍵 [“action”] 和值網路的 in_keys（觀測值、“done”、“terminated”、“reward”在“next”tensordict 中）的 tensordict。

返回:

包含 DQN 損失的張量。

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

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)