TD3Loss

class torchrl.objectives.TD3Loss(*args, **kwargs)

TD3 損失模組。

引數:

• actor_network (TensorDictModule) – 要訓練的 actor

• qvalue_network (TensorDictModule) –

  一個單獨的 Q 值網路或 Q 值網路的列表。如果提供 qvalue_network 的單個例項，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，原始引數將被擴充套件）。

  警告

  當傳入引數列表時，它__不會__與策略引數進行比較，所有引數將被視為未繫結。

關鍵字引數:

• bounds (float 元組, 可選) – 動作空間的邊界。與 action_spec 互斥。必須提供此引數或 action_spec。

• action_spec (TensorSpec, 可選) – 動作 spec。與 bounds 互斥。必須提供此引數或 bounds。

• num_qvalue_nets (int, 可選) – 要訓練的 Q 值網路的數量。預設值為 10。

• policy_noise (float, 可選) – 目標策略動作噪聲的標準差。預設值為 0.2。

• noise_clip (float, 可選) – 取樣目標策略動作噪聲的剪裁範圍值。預設值為 0.5。

• priority_key (str, 可選) – 用於寫優先回放緩衝區優先值鍵。預設值為 “td_error”。

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

• delay_actor (bool, 可選) – 是否將目標 actor 網路與用於資料收集的 actor 網路分開。預設值為 True。

• delay_qvalue (bool, 可選) – 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 True。

• spec (TensorSpec, 可選) – 動作 tensor spec。如果未提供且目標熵為 "auto"，則將從 actor 中獲取。

• separate_losses (bool, 可選) – 如果為 True，策略和 critic 之間的共享引數將僅在策略損失上進行訓練。預設為 False，即策略和 critic 損失的梯度都會傳播到共享引數。

• 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": 輸出的總和將被輸出中的元素數量除以。"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 Actor, ProbabilisticActor, ValueOperator
>>> from torchrl.modules.tensordict_module.common import SafeModule
>>> from torchrl.objectives.td3 import TD3Loss
>>> from tensordict import TensorDict
>>> n_act, n_obs = 4, 3
>>> spec = Bounded(-torch.ones(n_act), torch.ones(n_act), (n_act,))
>>> module = nn.Linear(n_obs, n_act)
>>> actor = Actor(
...     module=module,
...     spec=spec)
>>> 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 = TD3Loss(actor, qvalue, action_spec=actor.spec)
>>> 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={
        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),
        next_state_value: 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),
        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)

此類也相容基於非 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: ["action", "next_reward", "next_done", "next_terminated"] + actor 和 qvalue 網路的 in_keys。返回值是一個 tensor 元組，順序如下: ["loss_actor", "loss_qvalue", "pred_value", "state_action_value_actor", "next_state_value", "target_value",]。

示例

>>> import torch
>>> from torch import nn
>>> from torchrl.data import Bounded
>>> from torchrl.modules.tensordict_module.actors import Actor, ValueOperator
>>> from torchrl.objectives.td3 import TD3Loss
>>> n_act, n_obs = 4, 3
>>> spec = Bounded(-torch.ones(n_act), torch.ones(n_act), (n_act,))
>>> module = nn.Linear(n_obs, n_act)
>>> actor = Actor(
...     module=module,
...     spec=spec)
>>> 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 = TD3Loss(actor, qvalue, action_spec=actor.spec)
>>> _ = loss.select_out_keys("loss_actor", "loss_qvalue")
>>> batch = [2, ]
>>> action = spec.rand(batch)
>>> 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。

然後訓練器可以使用將損失分解為各個元件的方式來記錄整個訓練過程中的各種損失值。輸出 tensordict 中存在的其他標量也將被記錄。

引數:

tensordict – 包含計算損失所需值的輸入 tensordict。

返回:

一個新的不含批處理維度的 tensordict，包含各種以“loss*”命名的損失標量。損失必須以此名稱返回，因為訓練器會在反向傳播之前讀取它們，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，必須使用此方法構建。

引數:

• value_type (ValueEstimators) – 一個 ValueEstimators 列舉型別，指示要使用的值函式。如果未提供，將使用儲存在 default_value_estimator 屬性中的預設值函式。結果值估計器類將註冊到 self.value_type 中，以便將來進行精煉。

• **hyperparams – 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)