開始構建您自己的第一個訓練迴圈¶

注意

要在 notebook 中執行本教程，請在開頭新增一個安裝單元格，其中包含：

!pip install tensordict
!pip install torchrl

是時候總結一下我們在“入門”系列中學到的所有內容了！

在本教程中，我們將僅使用前幾課中介紹的元件，編寫最基本的訓練迴圈。

我們將使用 DQN 和 CartPole 環境作為原型示例。

我們將故意將冗餘降至最低，只將每個部分連結到相關教程。

構建環境¶

我們將使用一個帶有 StepCounter 變換的 gym 環境。如果您需要回顧，請檢視我們在環境教程中介紹的這些功能。

import torch

torch.manual_seed(0)

import time

from torchrl.envs import GymEnv, StepCounter, TransformedEnv

env = TransformedEnv(GymEnv("CartPole-v1"), StepCounter())
env.set_seed(0)

from tensordict.nn import TensorDictModule as Mod, TensorDictSequential as Seq

設計策略¶

下一步是構建我們的策略。我們將建立一個常規的、確定性的 actor 版本，用於損失模組和評估期間。接下來，我們將透過一個探索模組來增強它，用於推理。

from torchrl.modules import EGreedyModule, MLP, QValueModule

value_mlp = MLP(out_features=env.action_spec.shape[-1], num_cells=[64, 64])
value_net = Mod(value_mlp, in_keys=["observation"], out_keys=["action_value"])
policy = Seq(value_net, QValueModule(spec=env.action_spec))
exploration_module = EGreedyModule(
    env.action_spec, annealing_num_steps=100_000, eps_init=0.5
)
policy_explore = Seq(policy, exploration_module)

資料收集器和回放緩衝區¶

現在是資料部分：我們需要一個資料收集器來輕鬆獲取資料批次，以及一個回放緩衝區來儲存資料以供訓練。

from torchrl.collectors import SyncDataCollector
from torchrl.data import LazyTensorStorage, ReplayBuffer

init_rand_steps = 5000
frames_per_batch = 100
optim_steps = 10
collector = SyncDataCollector(
    env,
    policy_explore,
    frames_per_batch=frames_per_batch,
    total_frames=-1,
    init_random_frames=init_rand_steps,
)
rb = ReplayBuffer(storage=LazyTensorStorage(100_000))

from torch.optim import Adam

損失模組和最佳化器¶

我們按照專用教程中的指示構建損失，以及其最佳化器和目標引數更新器。

from torchrl.objectives import DQNLoss, SoftUpdate

loss = DQNLoss(value_network=policy, action_space=env.action_spec, delay_value=True)
optim = Adam(loss.parameters(), lr=0.02)
updater = SoftUpdate(loss, eps=0.99)

日誌記錄器¶

我們將使用 CSV 日誌記錄器來記錄我們的結果，並儲存渲染的影片。

from torchrl._utils import logger as torchrl_logger
from torchrl.record import CSVLogger, VideoRecorder

path = "./training_loop"
logger = CSVLogger(exp_name="dqn", log_dir=path, video_format="mp4")
video_recorder = VideoRecorder(logger, tag="video")
record_env = TransformedEnv(
    GymEnv("CartPole-v1", from_pixels=True, pixels_only=False), video_recorder
)

訓練迴圈¶

我們不會固定訓練的迭代次數，而是會持續訓練網路，直到它達到一定的效能（在環境中隨意定義為 200 步 — 使用 CartPole 時，成功被定義為更長的軌跡）。

total_count = 0
total_episodes = 0
t0 = time.time()
for i, data in enumerate(collector):
    # Write data in replay buffer
    rb.extend(data)
    max_length = rb[:]["next", "step_count"].max()
    if len(rb) > init_rand_steps:
        # Optim loop (we do several optim steps
        # per batch collected for efficiency)
        for _ in range(optim_steps):
            sample = rb.sample(128)
            loss_vals = loss(sample)
            loss_vals["loss"].backward()
            optim.step()
            optim.zero_grad()
            # Update exploration factor
            exploration_module.step(data.numel())
            # Update target params
            updater.step()
            if i % 10:
                torchrl_logger.info(f"Max num steps: {max_length}, rb length {len(rb)}")
            total_count += data.numel()
            total_episodes += data["next", "done"].sum()
    if max_length > 200:
        break

t1 = time.time()

torchrl_logger.info(
    f"solved after {total_count} steps, {total_episodes} episodes and in {t1-t0}s."
)

渲染¶

最後，我們將環境執行儘可能多的步數，並將影片儲存在本地（請注意，我們沒有進行探索）。

record_env.rollout(max_steps=1000, policy=policy)
video_recorder.dump()

完成完整的訓練迴圈後，您的 CartPole 渲染影片將如下所示。

“TorchRL 入門”系列教程到此結束！歡迎在 GitHub 上分享您的反饋。

由 Sphinx-Gallery 生成的畫廊