DiscreteCQLLoss

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

離散 CQL 損失的 TorchRL 實作。

此類別實作離散保守 Q 學習 (CQL) 損失函數，如論文「離線強化學習的保守 Q 學習」(Conservative Q-Learning for Offline Reinforcement Learning) 中所呈現 (https://arxiv.org/abs/2006.04779)。

參數:

value_network (Union[QValueActor, nn.Module]) – 用於估計狀態-動作值的 Q 值網路。

關鍵字引數:

• loss_function (Optional[str]) – 用於計算預測 Q 值和目標 Q 值之間距離的距離函數。預設為 l2。

• delay_value (bool) – 是否將目標 Q 值網路與用於資料收集的 Q 值網路分離。預設值為 True。

• gamma (float, optional) – 折扣因子。預設值為 None。

• action_space – 環境的動作空間。如果為 None，則從值網路推斷。預設為 None。

• reduction (str, optional) – 指定要應用於輸出的縮減："none" | "mean" | "sum"。"none"：不套用縮減，"mean"：輸出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

>>> from torchrl.modules import MLP, QValueActor
>>> from torchrl.data import OneHot
>>> from torchrl.objectives import DiscreteCQLLoss
>>> 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 = DiscreteCQLLoss(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_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),
        pred_value: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        target_value: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        td_error: Tensor(shape=torch.Size([1]), 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與 tensordict 相關的原始元素的情況下使用。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"]，並且傳回單一損失值。

範例

>>> from torchrl.objectives import DiscreteCQLLoss
>>> 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
>>> dcql_loss = DiscreteCQLLoss(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 = dcql_loss(
...     observation=observation,
...     next_observation=next_observation,
...     next_reward=next_reward,
...     next_done=next_done,
...     next_terminated=next_terminated,
...     action=action)

forward(tensordict: TensorDictBase = None) → TensorDict

計算從重播緩衝區取樣的 tensordict 的 (DQN) CQL 損失。

此函數還會寫入一個 “td_error” 鍵，優先重播緩衝區可以使用該鍵為 tensordict 中的項目分配

優先權。

參數:

tensordict (TensorDictBase) – 一個 tensordict，其鍵為 ["action"]，且包含數值網路的 in_keys (observations, “done”, “terminated”, “reward” 在一個 “next” tensordict 中)。

回傳:

包含 CQL 損失的張量。

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

數值函數建構子。

如果想要使用非預設的數值函數，則必須使用此方法建立。

參數:

• value_type (ValueEstimators) – 一個 ValueEstimators 列舉類型，指示要使用的數值函數。 如果未提供，將使用儲存在 default_value_estimator 屬性中的預設值。 產生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)