從你的第一個訓練迴圈開始¶

注意

要在 Notebook 中執行此教程，請在開頭新增一個包含以下內容的安裝單元格

!pip install tensordict
!pip install torchrl

是時候總結一下我們在本入門系列中學到的所有知識了！

在本教程中，我們將使用前面課程中介紹過的元件，編寫最基本的訓練迴圈。

我們將使用帶有 CartPole 環境的 DQN 作為原型示例。

我們將故意將細節保持在最低限度，只將每個部分連結到相關的教程。

構建環境¶

我們將使用一個帶有 StepCounter 轉換的 gym 環境。如果需要回顧，請檢視這些功能在環境教程中的介紹。

import torch

torch.manual_seed(0)

import time

from torchrl.envs import GymEnv, StepCounter, TransformedEnv

env = TransformedEnv(GymEnv("CartPole-v1"), StepCounter())
env.set_seed(0)

from tensordict.nn import TensorDictModule as Mod, TensorDictSequential as Seq

設計策略¶

下一步是構建我們的策略。我們將製作一個常規的、確定性版本的 Actor，用於損失模組內部和評估期間。接下來，我們將為其新增一個探索模組用於推理。

from torchrl.modules import EGreedyModule, MLP, QValueModule

value_mlp = MLP(out_features=env.action_spec.shape[-1], num_cells=[64, 64])
value_net = Mod(value_mlp, in_keys=["observation"], out_keys=["action_value"])
policy = Seq(value_net, QValueModule(spec=env.action_spec))
exploration_module = EGreedyModule(
    env.action_spec, annealing_num_steps=100_000, eps_init=0.5
)
policy_explore = Seq(policy, exploration_module)

資料收集器和回放緩衝區¶

接下來是資料部分：我們需要一個資料收集器來輕鬆獲取資料批次，還需要一個回放緩衝區來儲存這些資料用於訓練。

from torchrl.collectors import SyncDataCollector
from torchrl.data import LazyTensorStorage, ReplayBuffer

init_rand_steps = 5000
frames_per_batch = 100
optim_steps = 10
collector = SyncDataCollector(
    env,
    policy_explore,
    frames_per_batch=frames_per_batch,
    total_frames=-1,
    init_random_frames=init_rand_steps,
)
rb = ReplayBuffer(storage=LazyTensorStorage(100_000))

from torch.optim import Adam

損失模組和最佳化器¶

我們按照專用教程中的說明構建損失函式，以及其最佳化器和目標引數更新器

from torchrl.objectives import DQNLoss, SoftUpdate

loss = DQNLoss(value_network=policy, action_space=env.action_spec, delay_value=True)
optim = Adam(loss.parameters(), lr=0.02)
updater = SoftUpdate(loss, eps=0.99)

日誌記錄器¶

我們將使用 CSV 日誌記錄器來記錄結果並儲存渲染的影片。

from torchrl._utils import logger as torchrl_logger
from torchrl.record import CSVLogger, VideoRecorder

path = "./training_loop"
logger = CSVLogger(exp_name="dqn", log_dir=path, video_format="mp4")
video_recorder = VideoRecorder(logger, tag="video")
record_env = TransformedEnv(
    GymEnv("CartPole-v1", from_pixels=True, pixels_only=False), video_recorder
)

訓練迴圈¶

我們將不固定執行的迭代次數，而是持續訓練網路，直到它達到一定的效能（任意定義為在環境中達到 200 步 - 對於 CartPole，成功定義為具有更長的軌跡）。

total_count = 0
total_episodes = 0
t0 = time.time()
for i, data in enumerate(collector):
    # Write data in replay buffer
    rb.extend(data)
    max_length = rb[:]["next", "step_count"].max()
    if len(rb) > init_rand_steps:
        # Optim loop (we do several optim steps
        # per batch collected for efficiency)
        for _ in range(optim_steps):
            sample = rb.sample(128)
            loss_vals = loss(sample)
            loss_vals["loss"].backward()
            optim.step()
            optim.zero_grad()
            # Update exploration factor
            exploration_module.step(data.numel())
            # Update target params
            updater.step()
            if i % 10:
                torchrl_logger.info(f"Max num steps: {max_length}, rb length {len(rb)}")
            total_count += data.numel()
            total_episodes += data["next", "done"].sum()
    if max_length > 200:
        break

t1 = time.time()

torchrl_logger.info(
    f"solved after {total_count} steps, {total_episodes} episodes and in {t1-t0}s."
)

渲染¶

最後，我們讓環境執行儘可能多的步數，並在本地儲存影片（注意我們此時沒有進行探索）。

record_env.rollout(max_steps=1000, policy=policy)
video_recorder.dump()

完整的訓練迴圈結束後，你渲染的 CartPole 影片將看起來像這樣

至此，我們的“TorchRL 入門”系列教程就結束了！歡迎在 GitHub 上分享你的反饋。

由 Sphinx-Gallery 生成的圖集