A2CLoss¶

class torchrl.objectives.A2CLoss(*args, **kwargs)[source]¶

A2C 損失函式的 TorchRL 實現。

A2C (優勢演員-評論家) 是一種無模型、線上強化學習演算法，它使用並行 N 步 rollout 來更新策略，依賴 REINFORCE 估計器計算梯度。它還在目標函式中添加了一個熵項，以改進探索。

有關 A2C 的更多詳情，請參閱：“非同步深度強化學習方法”，https://arxiv.org/abs/1602.01783v2

引數:

actor_network (ProbabilisticTensorDictSequential) – 策略運算元。
critic_network (ValueOperator) – 價值運算元。
entropy_bonus (bool) – 如果為 True，則會將熵獎勵新增到損失中，以偏好探索性策略。
samples_mc_entropy (int) – 如果從策略運算元中檢索到的分佈沒有熵的閉式公式，則將使用蒙特卡洛估計。samples_mc_entropy 將控制用於計算此估計值的樣本數量。預設為 1。
entropy_coef (float) – 熵損失的權重。預設為 0.01`。
critic_coef (float) – 價值網路損失的權重。預設為 1.0。如果為 None，則不包含價值網路損失，並且 in-keys 將缺少價值網路輸入。
loss_critic_type (str) – 用於計算價值差異的損失函式。可以是 “l1”、“l2” 或 “smooth_l1” 之一。預設為 "smooth_l1"。
separate_losses (bool, optional) – 如果為 True，則策略和價值網路之間的共享引數將僅基於策略損失進行訓練。預設為 False，即梯度會傳播到策略損失和價值網路損失的共享引數。
advantage_key (str) – [已棄用，請改用 set_keys(advantage_key=advantage_key)] 期望寫入優勢的輸入 tensordict 鍵。預設值：“advantage”
value_target_key (str) – [已棄用，請改用 set_keys()] 期望寫入目標狀態價值的輸入 tensordict 鍵。預設為 "value_target"。
functional (bool, optional) – 模組是否應該被函式化。函式化支援元強化學習等功能，但無法使用分散式模型（DDP、FSDP 等），並且會帶來一點開銷。預設為 True。
reduction (str, optional) – 指定要應用於輸出的歸約方法："none" | "mean" | "sum"。"none"：不應用歸約，"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"。
clip_value (float, optional) – 如果提供，將用於根據輸入價值估計計算價值預測的裁剪版本，並用其計算價值損失。裁剪的目的是限制極端價值預測的影響，有助於穩定訓練並防止大幅更新。但是，如果價值估計是由當前版本的價值估計器完成的，則此引數無效。預設為 None。

示例

>>> 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.a2c import A2CLoss
>>> 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)
>>> module = nn.Linear(n_obs, 1)
>>> value = ValueOperator(
...     module=module,
...     in_keys=["observation"])
>>> loss = A2CLoss(actor, value, loss_critic_type="l2")
>>> 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={
        entropy: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        loss_critic: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        loss_entropy: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        loss_objective: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False)},
    batch_size=torch.Size([]),
    device=None,
    is_shared=False)

此類也相容非基於 tensordict 的模組，並且可以在不使用任何 tensordict 相關原語的情況下使用。在這種情況下，預期的關鍵字引數為：["action", "next_reward", "next_done", "next_terminated"] + 演員和價值網路的 in_keys。返回值為張量元組，順序如下：["loss_objective"] + 如果 critic_coef 不為 None 則為 ["loss_critic"] + 如果 entropy_bonus 為 True 且 critic_coef 不為 None 則為 ["entropy", "loss_entropy"]

示例

>>> 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.a2c import A2CLoss
>>> _ = torch.manual_seed(42)
>>> 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)
>>> module = nn.Linear(n_obs, 1)
>>> value = ValueOperator(
...     module=module,
...     in_keys=["observation"])
>>> loss = A2CLoss(actor, value, loss_critic_type="l2")
>>> batch = [2, ]
>>> loss_obj, loss_critic, entropy, loss_entropy = loss(
...     observation = torch.randn(*batch, n_obs),
...     action = spec.rand(batch),
...     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_obj.backward()

輸出鍵也可以使用 SACLoss.select_out_keys() 方法進行過濾。

示例

>>> loss.select_out_keys('loss_objective', 'loss_critic')
>>> loss_obj, loss_critic = loss(
...     observation = torch.randn(*batch, n_obs),
...     action = spec.rand(batch),
...     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_obj.backward()

注意

關於與非基於 tensordict 的模組相容性存在一個例外。如果演員網路是機率性的並且使用 CompositeDistribution，則此類必須與 tensordicts 一起使用，並且不能作為獨立於 tensordict 的模組執行。這是因為複合動作空間本質上依賴於 tensordicts 提供的結構化資料表示來處理其動作。

default_keys¶: 的別名 _AcceptedKeys

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

它旨在讀取輸入 TensorDict 並返回另一個包含名為 “loss*” 的損失鍵的 tensordict。

將損失分解為其組成部分後，訓練器就可以在整個訓練過程中記錄各種損失值。輸出 tensordict 中存在的其他標量也將被記錄。

引數:: tensordict – 包含計算損失所需值的輸入 tensordict。
返回值:: 一個沒有批處理維度的新 tensordict，包含各種將被命名為 “loss*” 的損失標量。損失必須以此名稱返回，因為訓練器將在反向傳播之前讀取它們，這一點至關重要。

property functional¶

模組是否是函式式的。

除非特別設計為非函式式，否則所有損失都是函式式的。

loss_critic(tensordict: TensorDictBase) → Tuple[Tensor, float][source]¶

返回價值網路的損失值，如果 critic_coef 不為 None，則乘以 critic_coef。

返回損失和裁剪分數。

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

價值函式構造器。

如果需要非預設的價值函式，則必須使用此方法構建。

引數:

value_type (ValueEstimators) – 一個 ValueEstimators 列舉型別，指示要使用的價值函式。如果未提供，將使用儲存在 default_value_estimator 屬性中的預設值。生成的價值估計器類將被註冊到 self.value_type 中，以便將來進行改進。
**hyperparams – 用於價值函式的超引數。如果未提供，將使用 default_value_kwargs() 指示的值。

示例

>>> 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)

A2CLoss¶

文件

教程

資源