TD3BCLoss¶

class torchrl.objectives.TD3BCLoss(*args, **kwargs)[原始碼]¶

TD3+BC 損失模組。

實現了論文 “A Minimalist Approach to Offline Reinforcement Learning” <https://arxiv.org/pdf/2106.06860> 中提出的 TD3+BC 損失。

此類包含兩個損失函式，它們在 forward 方法中按順序執行

qvalue_loss()
actor_loss()

使用者也可以選擇按相同順序直接呼叫這些函式，如果願意的話。

引數:

actor_network (TensorDictModule) – 要訓練的 actor
qvalue_network (TensorDictModule) –
單個 Q 值網路或 Q 值網路列表。如果提供了 qvalue_network 的單個例項，它將被複制 num_qvalue_nets 次。如果傳遞了模組列表，它們的引數將被堆疊，除非它們具有相同的身份（在這種情況下，原始引數將被擴充套件）。

警告

當傳入引數列表時，它 __不會__ 與策略引數進行比較，所有引數都將被視為獨立的。

關鍵字引數:

bounds (float元組, 可選) –

動作空間的界限。
與 action_spec 互斥。必須提供此項或 action_spec。

必須提供其中之一。
action_spec (TensorSpec, 可選) – 動作規範。與 bounds 互斥。必須提供此項或 bounds。
num_qvalue_nets (int, 可選) – 要訓練的 Q 值網路的數量。預設為 2。
policy_noise (float, 可選) – 目標策略動作噪聲的標準差。預設為 0.2。
noise_clip (float, 可選) – 取樣目標策略動作噪聲的裁剪範圍值。預設為 0.5。
alpha (float, 可選) – 行為克隆損失的權重。預設為 2.5。
priority_key (str, 可選) – 用於為優先回放緩衝區寫入優先值的位置。預設為 “td_error”。
loss_function (str, optional) – 用於 Q 值的損失函式。可以是 "smooth_l1"、"l2"、"l1" 中的一個，預設為 "smooth_l1"。
delay_actor (bool, 可選) – 是否將目標 actor 網路與用於資料收集的 actor 網路分開。預設為 True。
delay_qvalue (bool, 可選) – 是否將目標 Q 值網路與用於資料收集的 Q 值網路分開。預設為 True。
spec (TensorSpec, 可選) – 動作張量規範。如果未提供且目標熵為 "auto"，則將從 actor 中檢索。
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。
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"。
deactivate_vmap (bool, 可選) – 是否停用 vmap 呼叫並用普通 for 迴圈替換它們。預設為 False。

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 Actor, ProbabilisticActor, ValueOperator
>>> from torchrl.modules.tensordict_module.common import SafeModule
>>> from torchrl.objectives.td3_bc import TD3BCLoss
>>> from tensordict import TensorDict
>>> n_act, n_obs = 4, 3
>>> spec = Bounded(-torch.ones(n_act), torch.ones(n_act), (n_act,))
>>> module = nn.Linear(n_obs, n_act)
>>> actor = Actor(
...     module=module,
...     spec=spec)
>>> class ValueClass(nn.Module):
...     def __init__(self):
...         super().__init__()
...         self.linear = nn.Linear(n_obs + n_act, 1)
...     def forward(self, obs, act):
...         return self.linear(torch.cat([obs, act], -1))
>>> module = ValueClass()
>>> qvalue = ValueOperator(
...     module=module,
...     in_keys=['observation', 'action'])
>>> loss = TD3BCLoss(actor, qvalue, action_spec=actor.spec)
>>> 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={
        bc_loss: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        lmbd: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        loss_actor: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        loss_qvalue: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        next_state_value: Tensor(shape=torch.Size([2]), device=cpu, dtype=torch.float32, is_shared=False),
        pred_value: Tensor(shape=torch.Size([2, 2]), device=cpu, dtype=torch.float32, is_shared=False),
        state_action_value_actor: Tensor(shape=torch.Size([2, 2]), device=cpu, dtype=torch.float32, is_shared=False),
        target_value: Tensor(shape=torch.Size([2]), 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 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： ["action", "next_reward", "next_done", "next_terminated"] + actor 和 qvalue 網路的 in_keys。返回值是按以下順序排列的張量元組： ["loss_actor", "loss_qvalue", "bc_loss, "lmbd", "pred_value", "state_action_value_actor", "next_state_value", "target_value",]。

示例

>>> import torch
>>> from torch import nn
>>> from torchrl.data import Bounded
>>> from torchrl.modules.tensordict_module.actors import Actor, ValueOperator
>>> from torchrl.objectives.td3_bc import TD3BCLoss
>>> n_act, n_obs = 4, 3
>>> spec = Bounded(-torch.ones(n_act), torch.ones(n_act), (n_act,))
>>> module = nn.Linear(n_obs, n_act)
>>> actor = Actor(
...     module=module,
...     spec=spec)
>>> class ValueClass(nn.Module):
...     def __init__(self):
...         super().__init__()
...         self.linear = nn.Linear(n_obs + n_act, 1)
...     def forward(self, obs, act):
...         return self.linear(torch.cat([obs, act], -1))
>>> module = ValueClass()
>>> qvalue = ValueOperator(
...     module=module,
...     in_keys=['observation', 'action'])
>>> loss = TD3BCLoss(actor, qvalue, action_spec=actor.spec)
>>> _ = loss.select_out_keys("loss_actor", "loss_qvalue")
>>> batch = [2, ]
>>> action = spec.rand(batch)
>>> loss_actor, loss_qvalue = loss(
...         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))
>>> loss_actor.backward()

actor_loss(tensordict) → tuple[torch.Tensor, dict][原始碼]¶

計算 actor 損失。

actor 損失應在 qvalue_loss() 之後計算，並且通常會延遲 1-3 次 critic 更新。

引數:: tensordict (TensorDictBase) – 損失的輸入資料。請檢視類的 in_keys 以瞭解計算此項所需的欄位。

返回：一個可微分的張量，表示 actor 損失，以及一個包含已分離的 “bc_loss” 的元資料字典: 用於組合 actor 損失，以及已分離的 “state_action_value_actor” 用於計算 lambda 值，以及 lambda 值 “lmbd” 本身。

default_keys¶: 別名：_AcceptedKeys

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

forward 方法。

依次計算 actor_loss()、qvalue_loss()，並返回包含這些值的 tensordict。要了解輸入 tensordict 中預期的鍵以及輸出中預期的鍵，請檢視類的 “in_keys” 和 “out_keys” 屬性。

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)

qvalue_loss(tensordict) → tuple[torch.Tensor, dict][原始碼]¶

計算 q 值損失。

q 值損失應在 actor_loss() 之前計算。

引數:: tensordict (TensorDictBase) – 損失的輸入資料。請檢視類的 in_keys 以瞭解計算此項所需的欄位。

返回：一個可微分的張量，表示 q 值損失，以及一個包含: 已分離的 “td_error” 以用於優先採樣，已分離的 “next_state_value”，已分離的 “pred_value”，以及已分離的 “target_value”。

TD3BCLoss¶

文件

教程

資源