DQNLoss

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

DQN 損失類。

引數：

value_network (QValueActor 或 nn.Module) – Q 值運算元。

關鍵字引數：

• loss_function (str, 可選) – 用於計算值差異的損失函式。可以是 “l1”、“l2” 或 “smooth_l1” 之一。預設為 “l2”。

• delay_value (bool, 可選) – 是否將值網路複製到一個新的目標值網路中，以建立一個帶有目標網路的 DQN。預設為 True。

• double_dqn (bool, 可選) – 是否使用 Double DQN，詳見 https://arxiv.org/abs/1509.06461。預設為 False。

• action_space (str 或 TensorSpec, 可選) – 動作空間。必須是 "one-hot"、"mult_one_hot"、"binary" 或 "categorical" 之一，或是相應 specs 的例項 (torchrl.data.OneHot, torchrl.data.MultiOneHot, torchrl.data.Binary 或 torchrl.data.Categorical)。如果未提供，將嘗試從值網路中檢索。

• priority_key (NestedKey, 可選) – [已棄用，請改用 .set_keys(priority_key=priority_key)] 在新增到此 ReplayBuffer 的 TensorDicts 中，假定優先順序儲存的鍵。當取樣器型別為 PrioritizedSampler 時使用。預設為 "td_error"。

• reduction (str, 可選) – 指定應用於輸出的歸約方式："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"。

示例

>>> from torchrl.modules import MLP
>>> from torchrl.data import OneHot
>>> n_obs, n_act = 4, 3
>>> value_net = MLP(in_features=n_obs, out_features=n_act)
>>> spec = OneHot(n_act)
>>> actor = QValueActor(value_net, in_keys=["observation"], action_space=spec)
>>> loss = DQNLoss(actor, action_space=spec)
>>> batch = [10,]
>>> data = TensorDict({
...     "observation": torch.randn(*batch, n_obs),
...     "action": spec.rand(batch),
...     ("next", "observation"): torch.randn(*batch, n_obs),
...     ("next", "done"): torch.zeros(*batch, 1, dtype=torch.bool),
...     ("next", "terminated"): torch.zeros(*batch, 1, dtype=torch.bool),
...     ("next", "reward"): torch.randn(*batch, 1)
... }, batch)
>>> loss(data)
TensorDict(
    fields={
        loss: 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，預期的關鍵字引數是：["observation", "next_observation", "action", "next_reward", "next_done", "next_terminated"]，並返回一個單獨的損失值。

示例

>>> from torchrl.objectives import DQNLoss
>>> from torchrl.data import OneHot
>>> from torch import nn
>>> import torch
>>> n_obs = 3
>>> n_action = 4
>>> action_spec = OneHot(n_action)
>>> value_network = nn.Linear(n_obs, n_action) # a simple value model
>>> dqn_loss = DQNLoss(value_network, action_space=action_spec)
>>> # define data
>>> observation = torch.randn(n_obs)
>>> next_observation = torch.randn(n_obs)
>>> action = action_spec.rand()
>>> next_reward = torch.randn(1)
>>> next_done = torch.zeros(1, dtype=torch.bool)
>>> next_terminated = torch.zeros(1, dtype=torch.bool)
>>> loss_val = dqn_loss(
...     observation=observation,
...     next_observation=next_observation,
...     next_reward=next_reward,
...     next_done=next_done,
...     next_terminated=next_terminated,
...     action=action)

default_keys

_AcceptedKeys 的別名

forward(tensordict: TensorDictBase = None) → TensorDict

給定從經驗回放緩衝區取樣的 tensordict，計算 DQN 損失。

此函式還將寫入一個 “td_error” 鍵，優先經驗回放緩衝區可以使用該鍵來分配

tensordict 中各項的優先順序。

引數：

tensordict (TensorDictBase) – 包含鍵 [“action”] 以及值網路 in_keys 的 tensordict（一個 “next” tensordict 中的 observations、“done”、“terminated”、“reward”）。

返回：

包含 DQN 損失的張量。

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

值函式構造器。

如果需要非預設值函式，必須使用此方法構建。

引數：

• value_type (ValueEstimators) – ValueEstimators 列舉型別，指示要使用的值函式。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)