REDQLoss

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

REDQ 損失模組。

REDQ (RANDOMIZED ENSEMBLED DOUBLE Q-LEARNING: LEARNING FAST WITHOUT A MODEL https://openreview.net/pdf?id=AY8zfZm0tDd) 推廣了使用 Q 值函式整合來訓練類似 SAC 演算法的思想。

引數：

• actor_network (TensorDictModule) – 待訓練的 actor

• qvalue_network (TensorDictModule) –

  單個 Q 值網路或 Q 值網路列表。如果提供單個 qvalue_network 例項，它將被複制 num_qvalue_nets 次。如果傳遞模組列表，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，原始引數將被擴充套件）。

  警告

  如果傳遞引數列表，則 __不會__ 與策略引數進行比較，所有引數將被視為非繫結狀態。

關鍵字引數：

• num_qvalue_nets (int, optional) – 待訓練的 Q 值網路數量。預設值為 10。

• sub_sample_len (int, optional) – 用於評估下一狀態值的 Q 值網路子取樣數量。預設值為 2。

• loss_function (str, optional) – 用於 Q 值的損失函式。可以是 "smooth_l1", "l2", "l1" 之一。預設值為 "smooth_l1"。

• alpha_init (float, optional) – 初始熵乘數。預設值為 1.0。

• min_alpha (float, optional) – alpha 的最小值。預設值為 0.1。

• max_alpha (float, optional) – alpha 的最大值。預設值為 10.0。

• action_spec (TensorSpec, optional) – 動作張量規範。如果未提供且目標熵為 "auto"，將從 actor 中檢索。

• fixed_alpha (bool, optional) – alpha 是否應訓練以匹配目標熵。預設值為 False。

• target_entropy (Union[str, Number], optional) – 隨機策略的目標熵。預設值為 "auto"。

• delay_qvalue (bool, optional) – 是否將目標 Q 值網路與用於資料收集的 Q 值網路分開。預設值為 False。

• gSDE (bool, optional) – 瞭解是否使用 gSDE 對於建立隨機噪聲變數是必要的。預設值為 False。

• priority_key (str, optional) – [已棄用，請改用 .set_keys()] 用於寫入優先順序回放緩衝區優先順序值的鍵。預設值為 "td_error"。

• separate_losses (bool, optional) – 如果為 True，則策略和 critic 之間共享的引數將僅在策略損失上進行訓練。預設為 False，即梯度會傳播到共享引數以用於策略和 critic 損失。

• 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"：輸出的總和將除以輸出元素的數量；"sum"：輸出將被求和。預設值："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.redq import REDQLoss
>>> 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 ValueClass(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))
>>> module = ValueClass()
>>> qvalue = ValueOperator(
...     module=module,
...     in_keys=['observation', 'action'])
>>> loss = REDQLoss(actor, qvalue)
>>> 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={
        action_log_prob_actor: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        alpha: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        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_alpha: 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),
        next.state_value: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        state_action_value_actor: 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)},
    batch_size=torch.Size([]),
    device=None,
    is_shared=False)

此類也相容非 TensorDict 的模組，無需使用任何與 TensorDict 相關的原始型別。在這種情況下，預期的關鍵字引數是：["action", "next_reward", "next_done", "next_terminated"] + actor 和 qvalue 網路的 in_keys。返回值是以下順序的張量元組：["loss_actor", "loss_qvalue", "loss_alpha", "alpha", "entropy", "state_action_value_actor", "action_log_prob_actor", "next.state_value", "target_value",]。

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.redq import REDQLoss
>>> 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 ValueClass(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))
>>> module = ValueClass()
>>> qvalue = ValueOperator(
...     module=module,
...     in_keys=['observation', 'action'])
>>> loss = REDQLoss(actor, qvalue)
>>> batch = [2, ]
>>> action = spec.rand(batch)
>>> # filter output keys to "loss_actor", and "loss_qvalue"
>>> _ = 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_reward=torch.randn(*batch, 1),
...         next_observation=torch.randn(*batch, n_obs))
>>> loss_actor.backward()

default_keys

_AcceptedKeys 的別名

forward(tensordict: TensorDictBase = None) → TensorDictBase

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

將損失拆分為其組成部分後，訓練器可以使用它們來記錄整個訓練過程中的各種損失值。輸出 tensordict 中存在的其他標量值也會被記錄。

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，包含各種將命名為“loss*”的損失標量。損失必須以此名稱返回，因為它們將在反向傳播之前被訓練器讀取，這一點至關重要。

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，則必須使用此方法構建它。

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。生成的值估計器類將被註冊到 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，將使用由 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)