REDQLoss

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

REDQ Loss 模組。

REDQ (RANDOMIZED ENSEMBLED DOUBLE Q-LEARNING: LEARNING FAST WITHOUT A MODEL https://openreview.net/pdf?id=AY8zfZm0tDd) 推廣了使用 Q 值函數集成來訓練類似 SAC 演算法的想法。

參數:

• 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 的單個實例，它將被複製 num_qvalue_nets 次。如果傳遞了一個模組列表，它們的參數將被堆疊，除非它們共享相同的身份（在這種情況下，原始參數將被展開）。

  警告

  如果傳遞了一個參數列表，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綁定。

關鍵字參數:

• num_qvalue_nets (int, optional) – 要訓練的 Q 值網路數量。預設值為 10。

• sub_sample_len (int, optional) – 用於評估下一個狀態值的 Q 值網路的子樣本數量。預設值為 2。

• loss_function (str, optional) – 用於 Q 值的損失函數。可以是 "smooth_l1", "l2", "l1" 其中之一，預設值為 "smooth_l1"。

• alpha_init (float, optional) – 初始 entropy 乘數。預設值為 1.0。

• min_alpha (float, optional) – alpha 的最小值。預設值為 0.1。

• max_alpha (float, optional) – alpha 的最大值。預設值為 10.0。

• action_spec (TensorSpec, optional) – action tensor spec。如果未提供且目標 entropy 為 "auto"，則會從 actor 取得。

• fixed_alpha (bool, optional) – 是否訓練 alpha 以匹配目標 entropy。預設值為 False。

• target_entropy (Union[str, Number], optional) – 隨機策略的目標 entropy。預設值為 "auto"。

• delay_qvalue (bool, optional) – 是否將目標 Q value 網路與用於資料收集的 Q value 網路分開。預設值為 False。

• gSDE (bool, optional) – 知道是否使用 gSDE 是建立隨機雜訊變數所必需的。預設值為 False。

• priority_key (str, optional) – [已棄用，請改用 .set_keys()] 寫入優先順序重播緩衝區的優先順序值的鍵。預設值為 "td_error"。

• separate_losses (bool, optional) – 如果 True，策略和 critic 之間的共享參數將僅在策略損失上進行訓練。預設值為 False，即，梯度會傳播到策略和 critic 損失的共享參數。

• reduction (str, optional) – 指定要應用於輸出的 reduction： "none" | "mean" | "sum"。 "none"：不會應用 reduction， "mean"：輸出的總和將除以輸出中的元素數量， "sum"：輸出將被總和。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.redq import REDQLoss
>>> 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 = REDQLoss(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={
        action_log_prob_actor: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        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_alpha: 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([]), device=cpu, dtype=torch.float32, is_shared=False),
        state_action_value_actor: 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)},
    batch_size=torch.Size([]),
    device=None,
    is_shared=False)

此類別也與非 tensordict based 模組相容，並且可以在不依賴任何 tensordict 相關的 primitive 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 qvalue 網路的 in_keys。傳回值是一個 tensors 的 tuple，順序如下： ["loss_actor", "loss_qvalue", "loss_alpha", "alpha", "entropy", "state_action_value_actor", "action_log_prob_actor", "next.state_value", "target_value",]。

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.redq import REDQLoss
>>> 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 = REDQLoss(actor, qvalue)
>>> batch = [2, ]
>>> action = spec.rand(batch)
>>> # filter output keys to "loss_actor", and "loss_qvalue"
>>> _ = 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_reward=torch.randn(*batch, 1),
...         next_observation=torch.randn(*batch, n_obs))
>>> loss_actor.backward()

forward(tensordict: TensorDictBase = None) → TensorDictBase

它旨在讀取一個輸入 TensorDict 並傳回另一個帶有 "loss*" 命名的損失鍵的 tensordict。

將損失拆分為其組成部分然後可以由訓練器使用，以記錄整個訓練過程中的各種損失值。輸出 tensordict 中存在的其他 scalar 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:

一個新的沒有批次維度的 tensordict，其中包含各種將被命名為 "loss*" 的損失 scalar。必須使用此名稱傳回損失，因為訓練器會在反向傳播之前讀取它們。

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

Value-function 建構子。

如果想要非預設值函式，則必須使用此方法建立它。

參數:

• value_type (ValueEstimators) – 一個 ValueEstimators enum 類型，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。產生的值估算器類別將註冊在 self.value_type 中，以便將來進行改進。

• **hyperparams – 用於值函式的 hyperparameter。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)