DiscreteCQLLoss

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

TorchRL 對離散 CQL loss 的實現。

此類實現了離散保守 Q 學習 (CQL) loss 函式，該函式在論文“用於離線強化學習的保守 Q 學習”(Conservative Q-Learning for Offline Reinforcement Learning) (https://arxiv.org/abs/2006.04779) 中提出。

引數:

value_network (Union[QValueActor, nn.Module]) – 用於估計狀態-動作值的 Q-value 網路。

關鍵字引數:

• loss_function (Optional[str]) – 用於計算預測 Q 值與目標 Q 值之間距離的距離函式。預設為 l2。

• delay_value (bool) – 是否將目標 Q 值網路與用於資料收集的 Q 值網路分開。預設為 True。

• gamma (float, optional) – 折扣因子。預設為 None。

• action_space – 環境的動作空間。如果為 None，則從 value network 推斷。預設為 None。

• reduction (str, optional) – 指定應用於輸出的歸約方式："none" | "mean" | "sum"。"none"：不應用歸約；"mean"：輸出的總和將被輸出元素的數量除；"sum"：輸出將被求和。預設為："mean"。

示例

>>> from torchrl.modules import MLP, QValueActor
>>> from torchrl.data import OneHot
>>> from torchrl.objectives import DiscreteCQLLoss
>>> 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 = DiscreteCQLLoss(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_cql: 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),
        pred_value: 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),
        td_error: Tensor(shape=torch.Size([1]), device=cpu, dtype=torch.float32, is_shared=False)},
    batch_size=torch.Size([]),
    device=None,
    is_shared=False)

此類也相容非 tensordict 的模組，並且可以在不依賴任何 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：["observation", "next_observation", "action", "next_reward", "next_done", "next_terminated"]，並返回一個 loss 值。

示例

>>> from torchrl.objectives import DiscreteCQLLoss
>>> 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
>>> dcql_loss = DiscreteCQLLoss(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 = dcql_loss(
...     observation=observation,
...     next_observation=next_observation,
...     next_reward=next_reward,
...     next_done=next_done,
...     next_terminated=next_terminated,
...     action=action)

default_keys

的別名 _AcceptedKeys

forward(tensordict: TensorDictBase = None) → TensorDict

計算從回放緩衝區取樣的 tensordict 的 (DQN) CQL loss。

此函式還將寫入一個“td_error”鍵，可由優先回放緩衝區用於分配

tensordict 中各項的優先順序。

引數:

tensordict (TensorDictBase) – 一個 tensordict，包含鍵 [“action”] 和 value network 的 in_keys（即在“next”tensordict 中的 observations, “done”, “terminated”, “reward”）。

返回:

一個包含 CQL loss 的張量。

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

價值函式構造器。

如果需要非預設價值函式，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，則將使用儲存在 default_value_estimator 屬性中的預設值。結果的價值估計器類將被註冊到 self.value_type 中，以便將來進行微調。

• **hyperparams – 用於價值函式的超引數。如果未提供，則將使用 default_value_kwargs() 指定的值。

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)