DistributionalQValueModule

class torchrl.modules.tensordict_module.DistributionalQValueModule(*args, **kwargs)

用於 Q 值策略的分散式 Q 值 Hook。

此模組根據給定的動作空間（one-hot、binary 或 categorical），將包含動作值 logits 的張量處理為其 argmax 分量（即生成的貪婪動作）。它既適用於 tensordict，也適用於常規張量。

輸入動作值預期是 log-softmax 操作的結果。

有關分散式 DQN 的更多詳細資訊，請參閱論文《A Distributional Perspective on Reinforcement Learning》，連結：https://arxiv.org/pdf/1707.06887.pdf

引數:

• action_space (str, optional) – 動作空間。必須是 "one-hot"、"mult-one-hot"、"binary" 或 "categorical" 之一。此引數與 spec 引數互斥，因為 spec 會限定動作空間。

• support (torch.Tensor) – 動作值的支撐（support）。

• action_value_key (str 或 tuple of str, optional) – 表示動作值的輸入鍵。預設為 "action_value"。

• action_mask_key (str 或 tuple of str, optional) – 表示動作掩碼的輸入鍵。預設為 "None"（相當於沒有掩碼）。

• out_keys (list of str 或 tuple of str, optional) – 表示動作和動作值的輸出鍵。預設為 ["action", "action_value"]。

• var_nums (int, optional) – 如果 action_space = "mult-one-hot"，此值表示每個動作分量的基數（cardinality）。

• spec (TensorSpec, optional) – 如果提供，則為動作（和/或其他輸出）的規範（spec）。此引數與 action_space 互斥，因為 spec 會限定動作空間。

• safe (bool) – 如果為 True，則檢查輸出值是否符合輸入規範。由於探索策略或數值下溢/上溢問題，可能會發生超出範圍的取樣。如果此值超出範圍，則使用 TensorSpec.project 方法將其投影回所需空間。預設為 False。

示例

>>> from tensordict import TensorDict
>>> torch.manual_seed(0)
>>> action_space = "categorical"
>>> action_value_key = "my_action_value"
>>> support = torch.tensor([-1, 0.0, 1.0]) # the action value is between -1 and 1
>>> actor = DistributionalQValueModule(action_space, support=support, action_value_key=action_value_key)
>>> # This module works with both tensordict and regular tensors:
>>> value = torch.full((3, 4), -100)
>>> # the first bin (-1) of the first action is high: there's a high chance that it has a low value
>>> value[0, 0] = 0
>>> # the second bin (0) of the second action is high: there's a high chance that it has an intermediate value
>>> value[1, 1] = 0
>>> # the third bin (0) of the this action is high: there's a high chance that it has an high value
>>> value[2, 2] = 0
>>> actor(my_action_value=value)
(tensor(2), tensor([[   0, -100, -100, -100],
        [-100,    0, -100, -100],
        [-100, -100,    0, -100]]))
>>> actor(value)
(tensor(2), tensor([[   0, -100, -100, -100],
        [-100,    0, -100, -100],
        [-100, -100,    0, -100]]))
>>> actor(TensorDict({action_value_key: value}, []))
TensorDict(
    fields={
        action: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.int64, is_shared=False),
        my_action_value: Tensor(shape=torch.Size([3, 4]), device=cpu, dtype=torch.int64, is_shared=False)},
    batch_size=torch.Size([]),
    device=None,
    is_shared=False)

forward(tensordict: Tensor = None) → TensorDictBase

定義每次呼叫時執行的計算。

應被所有子類覆蓋（Override）。

注意

儘管前向傳播（forward pass）的實現需要在該函式內定義，但之後應該呼叫 Module 例項而不是直接呼叫此函式，因為前者會處理註冊的鉤子（hook），而後者會默默忽略它們。