A2CLoss¶

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

A2C 損失的 TorchRL 實作。

A2C (優勢演員評論家) 是一種無模型、線上 RL 演算法，它使用 n 步的平行展開來更新策略，依賴於 REINFORCE 估計器來計算梯度。它還將熵項添加到目標函數中，以改進探索。

有關 A2C 的更多詳細資訊，請參閱：「深度強化學習的非同步方法」，https://arxiv.org/abs/1602.01783v2

參數:

actor_network (ProbabilisticTensorDictSequential) – 策略運算子。
critic_network (ValueOperator) – 數值運算子。
entropy_bonus (bool) – 如果 True，則會將熵獎勵添加到損失中，以支持探索性策略。
samples_mc_entropy (int) – 如果從策略運算子檢索的分佈沒有熵的閉合形式公式，則將使用蒙地卡羅估計。 samples_mc_entropy 將控制用於計算此估計的樣本數量。預設為 1。
entropy_coef (float) – 熵損失的權重。預設為 0.01`。
critic_coef (float) – 評論家損失的權重。預設為 1.0。如果 None，則不會包含評論家損失，且 in-keys 將會遺失評論家輸入。
loss_critic_type (str) – 值差異的損失函數。可以是 “l1”、“l2” 或 “smooth_l1” 之一。預設為 "smooth_l1"。
separate_losses (bool, optional) – 如果 True，策略和評論家之間的共享參數將僅在策略損失上進行訓練。預設為 False，即梯度會傳播到策略和評論家損失的共享參數。
advantage_key (str) – [已棄用，請改用 set_keys(advantage_key=advantage_key)] 輸入 tensordict 金鑰，期望在其中寫入優勢。預設值：「advantage」
value_target_key (str) – [已棄用，請改用 set_keys()] 輸入 tensordict 金鑰，期望在其中寫入目標狀態值。預設值為 "value_target"。
functional (bool, optional) – 模組是否應進行函數化。函數化允許諸如元 RL 之類的特性，但使得無法使用分散式模型（DDP、FSDP、…），並且會產生一些成本。預設為 True。
reduction (str, optional) – 指定要套用至輸出的縮減方式："none" | "mean" | "sum"。"none"：不套用任何縮減；"mean"：輸出的總和將除以輸出中的元素數量；"sum"：輸出將被加總。預設值："mean"。
clip_value (float, optional) – 如果提供此值，將用於計算相對於輸入值估計的裁剪版本的值預測，並使用它來計算值損失。裁剪的目的是限制極端值預測的影響，幫助穩定訓練並防止大型更新。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。預設值為 None。

範例

>>> 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)

此類別也與非 tensordict 基礎的模組相容，並且可以在不使用任何 tensordict 相關的原始元件的情況下使用。在這種情況下，預期的關鍵字參數為：["action", "next_reward", "next_done", "next_terminated"] + actor 和 critic 的 in_keys。傳回值是一個 tensors 的元組，順序如下：["loss_objective"] + 如果 critic_coef 不是 None，則加上 ["loss_critic"] + 如果 entropy_bonus 為 True 且 critic_coef 不是 None，則加上 ["entropy", "loss_entropy"]

範例

>>> 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()

也可以使用 SACLoss.select_out_keys() 方法來篩選輸出鍵。

範例

>>> 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

關於與非 tensordict 基礎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，則此類別必須與 tensordicts 一起使用，並且不能作為獨立於 tensordict 的模組運作。這是因為複合動作空間本質上依賴於 tensordicts 提供的結構化資料表示來處理它們的動作。

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

它旨在讀取輸入 TensorDict 並傳回另一個具有名為“loss*”的損失鍵的 tensordict。

然後，訓練器可以使用將損失分成各個組成部分的方式，在整個訓練過程中記錄各種損失值。輸出 tensordict 中存在的其他純量也會被記錄。

參數:: tensordict – 一個輸入 tensordict，其中包含計算損失所需的值。
傳回:: 一個新的 tensordict，沒有批次維度，包含各種損失純量，這些純量將被命名為“loss*”。必須以這個名稱傳回損失，因為它們會在反向傳播之前被訓練器讀取。

property functional¶

模組是否為函數式。

除非經過特別設計為非函數式，否則所有損失都是函數式的。

loss_critic(tensordict: TensorDictBase) → Tuple[Tensor, float][source]¶

傳回 critic 的損失值，如果 critic_coef 不是 None，則乘以 critic_coef。

傳回損失和裁剪比例。

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

數值函數建構子。

如果需要非預設的數值函數，則必須使用此方法建構。

參數:

value_type (ValueEstimators) – 一個 ValueEstimators 枚舉類型，指示要使用的數值函數。如果沒有提供，將使用儲存在 default_value_estimator 屬性中的預設值。生成的數值估計器類別將在 self.value_type 中註冊，允許將來進行改進。
**hyperparams – 用於價值函數的超參數。如果未提供，將使用 default_value_kwargs() 指示的值。

範例

>>> 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

教學

資源