ReinforceLoss

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

Reinforce 損失模組。

論文 "Simple statistical gradient-following sota-implementations for connectionist reinforcement learning" 中提出，Williams, 1992 https://doi.org/10.1007/BF00992696

引數:

• actor_network (ProbabilisticTensorDictSequential) – 策略運算子。

• critic_network (ValueOperator) – 值運算子。

關鍵字引數:

• delay_value (bool, optional) – 如果為 True，則 critic 需要目標網路。預設為 False。與 functional=False 不相容。

• loss_critic_type (str) – 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 "smooth_l1"。

• advantage_key (str) – [已棄用，請改用 .set_keys(advantage_key=advantage_key) 代替] 輸入 tensordict 中預期寫入 advantage 的鍵。預設為 "advantage"。

• value_target_key (str) – [已棄用，請改用 .set_keys(value_target_key=value_target_key) 代替] 輸入 tensordict 中預期寫入目標狀態值的鍵。預設為 "value_target"。

• separate_losses (bool, optional) – 如果為 True，則策略和 critic 之間的共享引數將只通過策略損失進行訓練。預設為 False，即梯度會同時傳播到策略損失和 critic 損失的共享引數。

• functional (bool, optional) – 模組是否應該被功能化。功能化允許使用 meta-RL 等特性，但無法使用分散式模型 (DDP, FSDP 等)，並帶來少量開銷。預設為 True。

• 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 tensordict 中的價值估計計算一個裁剪版本的價值預測，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.tensor_specs import Unbounded
>>> 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.reinforce import ReinforceLoss
>>> from tensordict import TensorDict
>>> n_obs, n_act = 3, 5
>>> value_net = ValueOperator(nn.Linear(n_obs, 1), in_keys=["observation"])
>>> net = nn.Sequential(nn.Linear(n_obs, 2 * n_act), NormalParamExtractor())
>>> module = SafeModule(net, in_keys=["observation"], out_keys=["loc", "scale"])
>>> actor_net = ProbabilisticActor(
...     module,
...     distribution_class=TanhNormal,
...     return_log_prob=True,
...     in_keys=["loc", "scale"],
...     spec=Unbounded(n_act),)
>>> loss = ReinforceLoss(actor_net, value_net)
>>> batch = 2
>>> data = TensorDict({
...     "observation": torch.randn(batch, n_obs),
...     "next": {
...         "observation": torch.randn(batch, n_obs),
...         "reward": torch.randn(batch, 1),
...         "done": torch.zeros(batch, 1, dtype=torch.bool),
...         "terminated": torch.zeros(batch, 1, dtype=torch.bool),
...     },
...     "action": torch.randn(batch, n_act),
... }, [batch])
>>> loss(data)
TensorDict(
    fields={
        loss_actor: 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)

此類也相容非 tensordict 的模組，無需依賴任何與 tensordict 相關的原語即可使用。在這種情況下，預期的關鍵字引數是：actor 和 critic 網路的 ["action", "next_reward", "next_done", "next_terminated"] + in_keys。返回值為以下順序的張量元組：["loss_actor", "loss_value"]。

示例

>>> import torch
>>> from torch import nn
>>> from torchrl.data.tensor_specs import Unbounded
>>> 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.reinforce import ReinforceLoss
>>> n_obs, n_act = 3, 5
>>> value_net = ValueOperator(nn.Linear(n_obs, 1), in_keys=["observation"])
>>> net = nn.Sequential(nn.Linear(n_obs, 2 * n_act), NormalParamExtractor())
>>> module = SafeModule(net, in_keys=["observation"], out_keys=["loc", "scale"])
>>> actor_net = ProbabilisticActor(
...     module,
...     distribution_class=TanhNormal,
...     return_log_prob=True,
...     in_keys=["loc", "scale"],
...     spec=Unbounded(n_act),)
>>> loss = ReinforceLoss(actor_net, value_net)
>>> batch = 2
>>> loss_actor, loss_value = loss(
...     observation=torch.randn(batch, n_obs),
...     next_observation=torch.randn(batch, n_obs),
...     next_reward=torch.randn(batch, 1),
...     next_done=torch.zeros(batch, 1, dtype=torch.bool),
...     next_terminated=torch.zeros(batch, 1, dtype=torch.bool),
...     action=torch.randn(batch, n_act),)
>>> loss_actor.backward()

default_keys

alias of _AcceptedKeys

forward(tensordict: TensorDictBase = None) → TensorDictBase

它旨在讀取一個輸入 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分解為各個分量的方式，在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，其中包含各種損失標量，這些標量將被命名為“loss*”。損失必須以此名稱返回，因為訓練器在反向傳播之前會讀取它們，這一點至關重要。

property functional

模組是否是功能性的。

除非特別設計為非功能性，否則所有損失函式都是功能性的。

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

價值函式構造器。

如果需要非預設的價值函式，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。結果的價值估計器類將註冊到 self.value_type 中，以便將來進行細化。

• **hyperparams – 用於價值函式的超引數。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)