TD3Loss

class torchrl.objectives.TD3Loss(*args, **kwargs)

TD3 損失模組。

參數:

• actor_network (TensorDictModule) – 要訓練的 actor

• qvalue_network (TensorDictModule) –

  單個 Q 值網路或 Q 值網路的列表。 如果提供 qvalue_network 的單個實例，它將被複製 num_qvalue_nets 次。 如果傳遞模組列表，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

  如果傳遞參數列表，則 __not__ 會將其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 的元組, 可選) – 動作空間的範圍。 與 action_spec 互斥。 必須提供此項或 action_spec。

• action_spec (TensorSpec, 可選) – 動作規範。 與 bounds 互斥。 必須提供此項或 bounds。

• num_qvalue_nets (int, 可選) – 要訓練的 Q 值網路的數量。 預設值為 10。

• policy_noise (float, 可選) – 目標策略動作雜訊的標準差。 預設值為 0.2。

• noise_clip (float, 可選) – 採樣的目標策略動作雜訊的裁剪範圍值。 預設值為 0.5。

• priority_key (str, 可選) – 在何處寫入優先重播緩衝區的優先順序值的鍵。 預設值為 “td_error”。

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

• delay_actor (bool, 可選) – 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 True。

• delay_qvalue (bool, 可選) – 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。

• spec (TensorSpec, optional) – 行為張量規格 (action tensor spec)。如果未提供且目標熵 (target entropy) 為 "auto"，則將從 actor 檢索。

• separate_losses (bool, optional) – 如果 True，policy 和 critic 之間共享的參數將僅在 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) – 指定應用於輸出的歸約方式："none" | "mean" | "sum"。"none"：不套用歸約；"mean"：輸出總和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 Actor, ProbabilisticActor, ValueOperator
>>> from torchrl.modules.tensordict_module.common import SafeModule
>>> from torchrl.objectives.td3 import TD3Loss
>>> 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 = TD3Loss(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={
        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([]), device=cpu, dtype=torch.float32, is_shared=False),
        pred_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 的模組相容，並且可以在不使用任何 tensordict 相關的原始元件下使用。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。返回值是 tensors 的 tuple，順序如下：["loss_actor", "loss_qvalue", "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 import TD3Loss
>>> 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 = TD3Loss(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()

forward(tensordict: TensorDictBase = None) → TensorDictBase

它旨在讀取一個輸入 TensorDict 並返回另一個具有名為 “loss*” 的損失鍵的 tensordict。

將損失分成各個組成部分然後可以被訓練器用於記錄整個訓練過程中的各種損失值。輸出 tensordict 中存在的其他標量也將被記錄。

參數:

tensordict – 一個輸入 tensordict，其中包含計算損失所需的值。

返回:

一個新的 tensordict，沒有包含各種損失標量的批次維度，這些標量將被命名為 “loss*”。 必須以這個名稱返回損失，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)

Value-function 建構子。

如果需要非預設的 value function，則必須使用此方法建構。

參數:

• value_type (ValueEstimators) – 一個 ValueEstimators 列舉型別，指示要使用的 value function。如果未提供任何值，將使用儲存在 default_value_estimator 屬性中的預設值。產生的 value estimator 類別將在 self.value_type 中註冊，以便將來進行改進。

• **hyperparams – 用於 value function 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)