IQLLoss¶

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

TorchRL 實現的 IQL 損失函式。

出自論文 “Offline Reinforcement Learning with Implicit Q-Learning” https://arxiv.org/abs/2110.06169

引數:

actor_network (ProbabilisticActor) – 隨機 actor
qvalue_network (TensorDictModule) –
Q(s, a) 引數模型。如果提供了一個 qvalue_network 例項，它將被複制 num_qvalue_nets 次。如果傳入模組列表，它們的引數將被堆疊，除非它們共享相同的身份（在這種情況下，原始引數將被展開）。

警告

當傳入引數列表時，它們將__不會__與 policy 引數進行比較，並且所有引數將被視為未繫結。
value_network (TensorDictModule, 可選) – V(s) 引數模型。

關鍵字引數:

num_qvalue_nets (integer, 可選) – 使用的 Q 值網路數量。預設為 2。
loss_function (str, 可選) – 用於 value function loss 的損失函式。預設為 “smooth_l1”。
temperature (float, 可選) – 逆溫度 (beta)。對於較小的超引數值，目標函式表現得類似於行為克隆，而對於較大的值，它試圖恢復 Q 函式的最大值。
expectile (float, 可選) – expectile \(\tau\)。對於需要動態規劃（“stichting”）的 antmaze 任務，較大的 \(\tau\) 值至關重要。
priority_key (str, 可選) – [已棄用，請改用 .set_keys(priority_key=priority_key)] tensordict 中用於寫入優先順序（用於優先順序回放緩衝區）的鍵。預設為 “td_error”。
separate_losses (bool, 可選) – 如果為 True，policy 和 critic 之間的共享引數將僅透過 policy loss 進行訓練。預設為 False，即梯度會傳播到 policy 和 critic loss 的共享引數。
reduction (str, 可選) – 指定應用於輸出的 reduction 型別："none" | "mean" | "sum"。"none"：不應用 reduction。"mean"：輸出的總和將除以輸出中的元素數量。"sum"：輸出將被求和。預設為 "mean"。

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.iql import IQLLoss
>>> 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)
>>> class QValueClass(nn.Module):
...     def __init__(self):
...         super().__init__()
...         self.linear = nn.Linear(n_obs + n_act, 1)
...     def forward(self, obs, act):
...         return self.linear(torch.cat([obs, act], -1))
>>> qvalue = SafeModule(
...     QValueClass(),
...     in_keys=["observation", "action"],
...     out_keys=["state_action_value"],
... )
>>> value = SafeModule(
...     nn.Linear(n_obs, 1),
...     in_keys=["observation"],
...     out_keys=["state_value"],
... )
>>> loss = IQLLoss(actor, qvalue, value)
>>> 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_actor: 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),
        loss_value: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False)},
    batch_size=torch.Size([]),
    device=None,
    is_shared=False)

此類別也相容非 tensordict 的模組，無需使用任何 tensordict 相關原語即可使用。在這種情況下，預期的關鍵字引數為：["action", "next_reward", "next_done", "next_terminated"] + actor、value 和 qvalue 網路的 in_keys。返回值是按以下順序排列的 tensor 元組：["loss_actor", "loss_qvalue", "loss_value", "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.iql import IQLLoss
>>> _ = 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)
>>> class QValueClass(nn.Module):
...     def __init__(self):
...         super().__init__()
...         self.linear = nn.Linear(n_obs + n_act, 1)
...     def forward(self, obs, act):
...         return self.linear(torch.cat([obs, act], -1))
>>> qvalue = SafeModule(
...     QValueClass(),
...     in_keys=["observation", "action"],
...     out_keys=["state_action_value"],
... )
>>> value = SafeModule(
...     nn.Linear(n_obs, 1),
...     in_keys=["observation"],
...     out_keys=["state_value"],
... )
>>> loss = IQLLoss(actor, qvalue, value)
>>> batch = [2, ]
>>> action = spec.rand(batch)
>>> loss_actor, loss_qvalue, loss_value, entropy = loss(
...     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_observation=torch.zeros(*batch, n_obs),
...     next_reward=torch.randn(*batch, 1))
>>> loss_actor.backward()

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

示例

>>> _ = loss.select_out_keys('loss_actor', 'loss_qvalue')
>>> loss_actor, loss_qvalue = loss(
...     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_observation=torch.zeros(*batch, n_obs),
...     next_reward=torch.randn(*batch, 1))
>>> loss_actor.backward()

default_keys¶: 別名 _AcceptedKeys

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

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

然後，訓練器可以使用將損失拆分為其組成部分的功能，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:: 一個新的不含批次維度的 tensordict，其中包含各種名為“loss*”的損失標量。損失必須以此名稱返回，這一點至關重要，因為訓練器會在反向傳播之前讀取它們。

static loss_value_diff(diff, expectile=0.8)[source]¶: 用於 iql expectile 值差異的損失函式。

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

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) – 指示要使用的值函式的 ValueEstimators 列舉型別。如果未提供，將使用儲存在 default_value_estimator 屬性中的預設值。由此產生的值估計器類將註冊到 self.value_type 中，以便將來進行細化。
**hyperparams – 用於值函式的超引數。如果未提供，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)

IQLLoss¶

文件

教程

資源