TDLambdaEstimator

class torchrl.objectives.value.TDLambdaEstimator(*args, **kwargs)

優勢函數的 TD(\(\lambda\)) 估計。

參數:

• gamma (純量) – 指數平均折扣。

• lmbda (純量) – 軌跡折扣。

• value_network (TensorDictModule) – 用於檢索價值估計的價值運算子。

• average_rewards (bool, optional) – 如果 True，獎勵將在計算 TD 之前進行標準化。

• differentiable (bool, optional) –

  如果 True，梯度會透過價值函數的計算傳播。預設值為 False。

  注意

  使函數呼叫不可微的正確方法是在 torch.no_grad() 上下文管理器/裝飾器中裝飾它，或者為功能模組傳遞分離的參數。

• vectorized (bool, optional) – 是否使用 lambda 返回的向量化版本。預設值為 True。

• skip_existing (bool, optional) – 如果 True，價值網路將跳過 tensordict 中已存在的輸出模組。預設值為 None，即 tensordict.nn.skip_existing() 的值不受影響。

• advantage_key (str or tuple of str, optional) – [已棄用] 優勢條目的鍵。預設值為 "advantage"。

• value_target_key (str or tuple of str, optional) – [已棄用] 優勢條目的鍵。預設值為 "value_target"。

• value_key (str or tuple of str, optional) – [已棄用] 從輸入 tensordict 讀取的價值鍵。預設值為 "state_value"。

• shifted (bool, optional) – 如果 True，價值和下一個價值將透過單次呼叫價值網路來估計。這樣做速度更快，但僅在 (1) "next" 價值僅移動一個時間步長時有效（例如，多步價值估計的情況並非如此），以及 (2) 在時間 t 和 t+1 使用的參數相同時有效（使用目標參數的情況並非如此）。預設值為 False。

• device ( torch.device, optional) – 模組的裝置。

• time_dim (int, optional) – 輸入 tensordict 中對應於時間的維度。如果未提供，則預設為標記有 "time" 名稱的維度 (如果有的話)，否則預設為最後一個維度。可以在呼叫 value_estimate() 時覆寫。負維度是相對於輸入 tensordict 而言的。

forward(tensordict: TensorDictBase = None, *, params: Optional[List[Tensor]] = None, target_params: Optional[List[Tensor]] = None) → TensorDictBase

計算給定 tensordict 中資料的 TD(\(\lambda\)) 優勢。

如果提供了函數式模組，則可以將包含參數（以及相關的目標參數）的巢狀 TensorDict 傳遞給該模組。

參數:

tensordict (TensorDictBase) – 包含計算價值估計和 TDLambdaEstimate 所需資料 (觀察鍵、 "action"、 ("next", "reward")、 ("next", "done")、 ("next", "terminated") 和環境傳回的 "next" tensordict 狀態) 的 TensorDict。傳遞給此模組的資料結構應為 [*B, T, *F]，其中 B 是批次大小，T 是時間維度，而 F 是特徵維度。tensordict 必須具有 [*B, T] 的形狀。

關鍵字參數：

• params (TensorDictBase, optional) – 包含要傳遞到函數式價值網路模組的參數的巢狀 TensorDict。

• target_params (TensorDictBase, optional) – 包含要傳遞到函數式價值網路模組的目標參數的巢狀 TensorDict。

傳回：

更新後的 TensorDict，其中包含建構函式中定義的優勢和 value_error 鍵。

範例

>>> from tensordict import TensorDict
>>> value_net = TensorDictModule(
...     nn.Linear(3, 1), in_keys=["obs"], out_keys=["state_value"]
... )
>>> module = TDLambdaEstimator(
...     gamma=0.98,
...     lmbda=0.94,
...     value_network=value_net,
... )
>>> obs, next_obs = torch.randn(2, 1, 10, 3)
>>> reward = torch.randn(1, 10, 1)
>>> done = torch.zeros(1, 10, 1, dtype=torch.bool)
>>> terminated = torch.zeros(1, 10, 1, dtype=torch.bool)
>>> tensordict = TensorDict({"obs": obs, "next": {"obs": next_obs, "done": done, "reward": reward, "terminated": terminated}}, [1, 10])
>>> _ = module(tensordict)
>>> assert "advantage" in tensordict.keys()

此模組也支援非 tensordict（即解包的 tensordict）輸入

範例

>>> value_net = TensorDictModule(
...     nn.Linear(3, 1), in_keys=["obs"], out_keys=["state_value"]
... )
>>> module = TDLambdaEstimator(
...     gamma=0.98,
...     lmbda=0.94,
...     value_network=value_net,
... )
>>> obs, next_obs = torch.randn(2, 1, 10, 3)
>>> reward = torch.randn(1, 10, 1)
>>> done = torch.zeros(1, 10, 1, dtype=torch.bool)
>>> terminated = torch.zeros(1, 10, 1, dtype=torch.bool)
>>> advantage, value_target = module(obs=obs, next_reward=reward, next_done=done, next_obs=next_obs, next_terminated=terminated)

value_estimate(tensordict, target_params: Optional[TensorDictBase] = None, next_value: Optional[Tensor] = None, time_dim: Optional[int] = None, **kwargs)

取得價值估計，通常用作價值網路的目標價值。

如果在 tensordict.get(("next", self.tensor_keys.value)) 下存在狀態價值鍵，則將使用此價值，而無需遞迴到價值網路。

參數:

• tensordict (TensorDictBase) – 包含要讀取資料的 tensordict。

• target_params (TensorDictBase, optional) – 包含要傳遞到函數式價值網路模組的目標參數的巢狀 TensorDict。

• next_value ( torch.Tensor, optional) – 下一個狀態或狀態-動作對的價值。與 target_params 互斥。

• **kwargs – 要傳遞到價值網路的關鍵字參數。

傳回：對應於狀態價值的張量。