TD3BCLoss¶

class torchrl.objectives.TD3BCLoss(*args, **kwargs)[source]¶

TD3+BC 損失模組。

TD3+BC 損失的實作，發表於論文 “Offline Reinforcement Learning 的極簡方法” <https://arxiv.org/pdf/2106.06860>。

此類別包含兩個損失函數，在 forward 方法中依序執行

qvalue_loss()
actor_loss()

如果使用者喜歡，也可以選擇以相同的順序直接呼叫這些函數。

參數:

actor_network (TensorDictModule) – 要訓練的 actor
qvalue_network (TensorDictModule) –
單個 Q 值網路或 Q 值網路清單。如果提供 qvalue_network 的單個實例，它將被複製 num_qvalue_nets 次。如果傳遞模組清單，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），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，並且所有參數將被視為未綁定。

關鍵字參數:

bounds (float 元組, 選用) –

動作空間的邊界。
與 action_spec 互斥。必須提供此項或 action_spec。

be provided.
action_spec (TensorSpec, 選用) – 動作規格。與 bounds 互斥。必須提供此項或 bounds。
num_qvalue_nets (int, 選用) – 要訓練的 Q 值網路數量。預設值為 2。
policy_noise (float, optional) – 目標策略動作雜訊的標準差。預設值為 0.2。
noise_clip (float, optional) – 取樣的目標策略動作雜訊的裁剪範圍值。預設值為 0.5。
alpha (float, optional) – 行為複製損失的權重。預設值為 2.5。
priority_key (str, optional) – 用於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”。
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"。
delay_actor (bool, optional) – 是否將目標 actor 網路與用於資料收集的 actor 網路分離。預設值為 True。
delay_qvalue (bool, optional) – 是否將目標 Q 值網路與用於資料收集的 Q 值網路分離。預設值為 True。
spec (TensorSpec, optional) – 動作張量規範。如果未提供且目標熵為 "auto"，則將從 actor 檢索。
separate_losses (bool, optional) – 如果為 True，則 policy 和 critic 之間的共享參數僅在 policy 損失上進行訓練。預設值為 False，即梯度會傳播到 policy 和 critic 損失的共享參數。
reduction (str, optional) – 指定要應用於輸出的縮減："none" | "mean" | "sum"。"none"：不應用任何縮減，"mean"：輸出的總和將除以輸出中的元素數量，"sum"：輸出將被求和。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 Actor, ProbabilisticActor, ValueOperator
>>> from torchrl.modules.tensordict_module.common import SafeModule
>>> from torchrl.objectives.td3_bc import TD3BCLoss
>>> from tensordict import TensorDict
>>> n_act, n_obs = 4, 3
>>> spec = Bounded(-torch.ones(n_act), torch.ones(n_act), (n_act,))
>>> module = nn.Linear(n_obs, n_act)
>>> actor = Actor(
...     module=module,
...     spec=spec)
>>> 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 = TD3BCLoss(actor, qvalue, action_spec=actor.spec)
>>> 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={
        bc_loss: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        lmbd: 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_qvalue: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        next_state_value: Tensor(shape=torch.Size([2]), device=cpu, dtype=torch.float32, is_shared=False),
        pred_value: Tensor(shape=torch.Size([2, 2]), device=cpu, dtype=torch.float32, is_shared=False),
        state_action_value_actor: Tensor(shape=torch.Size([2, 2]), device=cpu, dtype=torch.float32, is_shared=False),
        target_value: Tensor(shape=torch.Size([2]), device=cpu, dtype=torch.float32, is_shared=False)},
    batch_size=torch.Size([]),
    device=None,
    is_shared=False)

此類別也與非 tensordict 的模組相容，並且可以在不求助於任何 tensordict 相關的原始型別的情況下使用。在這種情況下，預期的關鍵字引數為：["action", "next_reward", "next_done", "next_terminated"] + actor 和 qvalue 網路的 in_keys。返回值是以下順序的張量元組：["loss_actor", "loss_qvalue", "bc_loss, "lmbd", "pred_value", "state_action_value_actor", "next_state_value", "target_value",]。

範例

>>> import torch
>>> from torch import nn
>>> from torchrl.data import Bounded
>>> from torchrl.modules.tensordict_module.actors import Actor, ValueOperator
>>> from torchrl.objectives.td3_bc import TD3BCLoss
>>> n_act, n_obs = 4, 3
>>> spec = Bounded(-torch.ones(n_act), torch.ones(n_act), (n_act,))
>>> module = nn.Linear(n_obs, n_act)
>>> actor = Actor(
...     module=module,
...     spec=spec)
>>> 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 = TD3BCLoss(actor, qvalue, action_spec=actor.spec)
>>> _ = loss.select_out_keys("loss_actor", "loss_qvalue")
>>> batch = [2, ]
>>> action = spec.rand(batch)
>>> 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()

actor_loss(tensordict) → Tuple[Tensor, dict][source]¶

計算 actor 損失。

actor 損失應在 qvalue_loss() 之後計算，並且通常會延遲 1-3 個 critic 更新。

參數:: tensordict (TensorDictBase) – 損失的輸入資料。檢查類別的 in_keys 以查看計算此項所需的欄位。

Returns: 一個可微分的張量，包含 actor 損失以及包含分離的 “bc_loss” 的元資料字典: 在組合的 actor 損失中使用，以及用於計算 lambda 值的已分離 “state_action_value_actor”，以及 lambda 值 “lmbd” 本身。

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

前向傳播方法。

依次計算 actor_loss()、qvalue_loss()，並傳回包含這些值的 tensordict。若要查看輸入 tensordict 中預期的鍵以及預期作為輸出的鍵，請檢查類別的 “in_keys” 和 “out_keys” 屬性。

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

價值函數建構子。

如果需要非預設的價值函數，則必須使用此方法建構。

參數:

value_type (ValueEstimators) – 一個 ValueEstimators 列舉類型，指示要使用的價值函數。如果未提供，則將使用儲存在 default_value_estimator 屬性中的預設值。產生的價值估算器類別將在 self.value_type 中註冊，以允許將來進行改進。
**hyperparams** – 用於價值函數的超參數。如果未提供，則將使用 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)

qvalue_loss(tensordict) → Tuple[Tensor, dict][source]¶

計算 Q 值損失。

Q 值損失應在 actor_loss() 之前計算。

參數:: tensordict (TensorDictBase) – 損失的輸入資料。檢查類別的 in_keys 以查看計算此項所需的欄位。

回傳：一個可微分的 tensor，包含 qvalue 損失，以及一個包含元資料的字典，包含：: 分離的 “td_error” 用於優先抽樣，分離的 “next_state_value”，分離的 “pred_value” 和分離的 “target_value”。

TD3BCLoss¶

文件

教學

資源