CQLLoss¶

class torchrl.objectives.CQLLoss(*args, **kwargs)[source]¶

連續 CQL 損失的 TorchRL 實作。

在「Conservative Q-Learning for Offline Reinforcement Learning」中提出 https://arxiv.org/abs/2006.04779

參數:

actor_network (ProbabilisticActor) – 隨機 actor
qvalue_network (TensorDictModule or list of TensorDictModule) –
Q(s, a) 參數模型。此模組通常輸出一個 "state_action_value" 條目。如果提供 qvalue_network 的單個實例，它將被複製 N 次（對於此損失，N=2）。如果傳遞模組清單，除非它們共享相同的識別碼（在這種情況下，原始參數將被擴展），否則它們的參數將被堆疊。

警告

如果傳遞參數清單，它將 __不會__ 與策略參數進行比較，並且所有參數都將被視為未繫結。

關鍵字引數:

loss_function (str, optional) – 與值函數損失一起使用的損失函數。預設值為 “smooth_l1”。
alpha_init (float, optional) – 初始熵乘數。預設值為 1.0。
min_alpha (float, optional) – alpha 的最小值。預設值為 None（沒有最小值）。
max_alpha (float, optional) – alpha 的最大值。預設值為 None（沒有最大值）。
action_spec (TensorSpec, optional) – 動作張量規格。如果未提供且目標熵為 "auto"，則將從 actor 檢索它。
fixed_alpha (bool, optional) – 如果 True，alpha 將固定為其初始值。否則，將最佳化 alpha 以匹配 ‘target_entropy’ 值。預設值為 False。
target_entropy (float or str, optional) – 隨機策略的目標熵。預設值為 “auto”，其中目標熵計算為 -prod(n_actions)。
delay_actor (bool, optional) – 是否將目標 actor 網路與用於資料收集的 actor 網路分開。預設值為 False。
delay_qvalue (bool, optional) – 是否將目標 Q 值網路與用於資料收集的 Q 值網路分開。預設值為 True。
gamma (float, optional) – 折扣因子。預設值為 None。
temperature (float, optional) – CQL 溫度。預設值為 1.0。
min_q_weight (float, optional) – 最小 Q 權重。預設值為 1.0。
max_q_backup (bool, optional) – 是否使用 max-min Q 備份。預設值為 False。
deterministic_backup (bool, optional) – 是否使用確定性備份。預設值為 True。
num_random (int, optional) – 為 CQL 損失採樣的隨機動作數量。預設值為 10。
with_lagrange (bool, optional) – 是否使用 Lagrange 乘數。預設值為 False。
lagrange_thresh (float, optional) – Lagrange 閾值。預設值為 0.0。
reduction (str, optional) – 指定應用於輸出的 reduction 方式: "none" | "mean" | "sum"。"none": 不會應用任何 reduction, "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"。

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.cql import CQLLoss
>>> 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)
>>> 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 = CQLLoss(actor, qvalue)
>>> 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={
        alpha: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        entropy: 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_actor_bc: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        loss_alpha: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        loss_cql: 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)},
    batch_size=torch.Size([]),
    device=None,
    is_shared=False)

此類別也與非基於 tensordict 的模組相容，並且可以在不使用任何 tensordict 相關 primitives 的情況下使用。在這種情況下，預期的關鍵字參數是：["action", "next_reward", "next_done", "next_terminated"] + actor、value 和 qvalue 網路的 in_keys。傳回值是張量的元組，順序如下：["loss_actor", "loss_qvalue", "loss_alpha", "loss_alpha_prime", "alpha", "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.cql import CQLLoss
>>> _ = 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)
>>> 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 = CQLLoss(actor, qvalue)
>>> batch = [2, ]
>>> action = spec.rand(batch)
>>> loss_actor, loss_actor_bc, loss_qvalue, loss_cql, *_ = 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_observation=torch.zeros(*batch, n_obs),
...     next_reward=torch.randn(*batch, 1))
>>> loss_actor.backward()

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

範例

>>> _ = loss.select_out_keys('loss_actor', 'loss_qvalue')
>>> 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_observation=torch.zeros(*batch, n_obs),
...     next_reward=torch.randn(*batch, 1))
>>> loss_actor.backward()

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

它被設計為讀取一個輸入 TensorDict 並返回另一個帶有損失鍵（命名為“loss*”）的 tensordict。

然後，訓練器可以使用將損失分解為其組成部分，以便在整個訓練過程中記錄各種損失值。輸出 tensordict 中存在的其他 scalars 也將被記錄。

參數:: tensordict – 一個輸入 tensordict，包含計算損失所需的值。
Returns:: 一個新的 tensordict，沒有批量維度，包含各種損失 scalars，將被命名為“loss*”。必須使用此名稱返回損失，因為它們將在反向傳播之前被訓練器讀取。

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，則必須使用此方法構建。

參數:

value_type (ValueEstimators) – 一個 ValueEstimators 枚舉類型，指示要使用的數值函數。如果未提供任何數值函數，將使用儲存在 default_value_estimator 屬性中的預設值。生成的數值估算器類別將在 self.value_type 中註冊，以便將來進行改進。
**hyperparams – 用於數值函數的超參數。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)

CQLLoss¶

文件

教學

資源