RPCDataCollector

class torchrl.collectors.distributed.RPCDataCollector(create_env_fn, policy, *, frames_per_batch: int, total_frames: int = -1, device: torch.device | List[torch.device] = None, storing_device: torch.device | List[torch.device] = None, env_device: torch.device | List[torch.device] = None, policy_device: torch.device | List[torch.device] = None, max_frames_per_traj: int = -1, init_random_frames: int = -1, reset_at_each_iter: bool = False, postproc: Callable | None = None, split_trajs: bool = False, exploration_type: ExporationType = InteractionType.RANDOM, collector_class=<class 'torchrl.collectors.collectors.SyncDataCollector'>, collector_kwargs=None, num_workers_per_collector=1, sync=False, slurm_kwargs=None, update_after_each_batch=False, max_weight_update_interval=-1, launcher='submitit', tcp_port=None, visible_devices=None, tensorpipe_options=None)

一个基于 RPC 的分布式数据收集器。

支持同步和异步数据收集。

参数:

• create_env_fn (Callable 或 List[Callabled]) – Callable 列表，每个返回 EnvBase 的实例。

• policy (Callable) –

  要在环境中执行的策略。必须接受 tensordict.tensordict.TensorDictBase 对象作为输入。如果提供 None，则使用的策略将是具有环境 action_spec 的 RandomPolicy 实例。接受的策略通常是 TensorDictModuleBase 的子类。这是收集器的推荐用法。也接受其他可调用对象：如果策略不是 TensorDictModuleBase（例如，常规 Module 实例），它将首先包装在 nn.Module 中。然后，收集器将尝试评估这些模块是否需要包装在 TensorDictModule 中。- 如果策略转发签名与 forward(self, tensordict) 中的任何一个匹配，

  forward(self, td) 或 forward(self, <anything>: TensorDictBase)（或任何将单个参数类型化为 TensorDictBase 子类的类型），则策略将不会包装在 TensorDictModule 中。

  • 在所有其他情况下，将尝试按如下方式包装它：TensorDictModule(policy, in_keys=env_obs_key, out_keys=env.action_keys)。

关键字参数:

• frames_per_batch (int) – 一个仅关键字参数，表示批次中的元素总数。

• total_frames (int) –

  一个仅关键字参数，表示收集器在其生命周期内返回的帧总数。如果 total_frames 不能被 frames_per_batch 整除，则会引发异常。

  可以通过传递 total_frames=-1 来创建无限收集器。默认为 -1（无限收集器）。

• device (int, str 或 torch.device, 可选) – 收集器的通用设备。device 参数填充任何未指定的设备：如果 device 不是 None 且 storing_device、policy_device 或 env_device 中的任何一个未指定，则其值将设置为 device。默认为 None（无默认设备）。支持设备列表。

• storing_device (int, str 或 torch.device, 可选) – 将在远程设备上存储输出 TensorDict。如果传递了 device 且 storing_device 为 None，则它将默认为 device 指示的值。对于长轨迹，可能需要在与策略和环境执行设备不同的设备上存储数据。默认为 None（输出 tensordict 不在特定设备上，叶张量位于它们创建的设备上）。支持设备列表。

• env_device (int, str 或 torch.device, 可选) – 远程设备，环境应在该设备上转换（或执行，如果支持该功能）。如果未指定且环境具有非 None 设备，则 env_device 将默认为该值。如果传递了 device 且 env_device=None，则它将默认为 device。如果 env_device 的指定值与 policy_device 不同，并且其中一个不是 None，则数据将在传递到环境之前转换为 env_device（即，支持将不同的设备传递给策略和环境）。默认为 None。支持设备列表。

• policy_device (int, str 或 torch.device, 可选) – 远程设备，策略应在该设备上转换。如果传递了 device 且 policy_device=None，则它将默认为 device。如果 policy_device 的指定值与 env_device 不同，并且其中一个不是 None，则数据将在传递到策略之前转换为 policy_device（即，支持将不同的设备传递给策略和环境）。默认为 None。支持设备列表。

• max_frames_per_traj (int, 可选) – 每个轨迹的最大步数。请注意，轨迹可以跨越多个批次（除非 reset_at_each_iter 设置为 True，请参见下文）。一旦轨迹达到 n_steps，环境将被重置。如果环境将多个环境包装在一起，则会独立跟踪每个环境的步数。允许使用负值，在这种情况下，此参数将被忽略。默认为 None（即，没有最大步数）。

• init_random_frames (int, 可选) – 策略被调用之前忽略策略的帧数。此功能主要用于离线/基于模型的设置，在这些设置中，可以使用一批随机轨迹来初始化训练。如果提供，它将被向上舍入到最接近的 frames_per_batch 倍数。默认为 None（即，没有随机帧）。

• reset_at_each_iter (bool, 可选) – 环境是否应在批次收集开始时重置。默认为 False。

• postproc (Callable, 可选) – 一个后处理转换，例如 Transform 或 MultiStep 实例。默认为 None。

• split_trajs (bool, 可选) – 布尔值，指示是否应根据轨迹拆分结果 TensorDict。有关更多信息，请参见 split_trajectories()。默认为 False。

• exploration_type (ExplorationType, 可选) – 收集数据时要使用的交互模式。必须是 torchrl.envs.utils.ExplorationType.DETERMINISTIC、torchrl.envs.utils.ExplorationType.RANDOM、torchrl.envs.utils.ExplorationType.MODE 或 torchrl.envs.utils.ExplorationType.MEAN 之一。默认为 torchrl.envs.utils.ExplorationType.RANDOM。

• collector_class (type 或 str, 可选) –

  远程节点的收集器类。可以是 SyncDataCollector、MultiSyncDataCollector、MultiaSyncDataCollector 或这些的派生类。字符串“single”、“sync”和“async”分别对应于相应的类。默认为 SyncDataCollector。

  注意

  对 MultiSyncDataCollector 和 MultiaSyncDataCollector 的支持是实验性的，应始终首选 SyncDataCollector。如果需要在单个节点上执行多个并发环境，请考虑使用 ParallelEnv 实例。

• collector_kwargs (dict 或 list, 可选) – 要传递给远程数据收集器的参数字典。如果提供列表，则每个元素将对应于专用收集器的单独一组关键字参数。

• num_workers_per_collector (int, 可选) – 要在远程节点上使用的环境构造函数副本数。默认为 1（每个收集器一个环境）。在单个工作节点上，所有子工作进程将执行相同的环境。如果需要执行不同的环境，则应将它们分派到工作节点而不是子节点。

• sync (bool, 可选) – 如果为 True，则结果 tensordict 是在每个节点上收集的所有 tensordict 的堆栈。如果为 False（默认），则每个 tensordict 都来自单独的节点，以“先到先得”的方式。

• slurm_kwargs (dict) – 要传递给 submitit 执行器的参数字典。

• update_after_each_batch (bool, 可选) – 如果为 True，则将在每次收集后更新权重。对于 sync=True，这意味着所有工作进程都将看到其权重已更新。对于 sync=False，仅会更新从中收集数据的工作进程。默认为 False，即，必须通过 update_policy_weights_() 手动执行更新。

• max_weight_update_interval (int, 可选) – 在更新工作进程的策略权重之前可以收集的最大批次数。对于同步收集，此参数将被 update_after_each_batch 覆盖。对于异步收集，即使启用了 update_after_each_batch，也可能存在一个工作进程在一段时间内未看到其参数被更新的情况。默认为 -1（无强制更新）。

• launcher (str, 可选) – 作业应如何启动。可以是“submitit”或“mp”（用于多处理）之一。前者可以在多个节点之间启动作业，而后者仅在一台机器上启动作业。“submitit”需要安装同名库。要了解有关 submitit 的更多信息，请访问 https://github.com/facebookincubator/submitit 默认为 “submitit”。

• tcp_port (int, 可选) – 要使用的 TCP 端口。默认为 10003。

• visible_devices (list of Union[int, torch.device, str], 可选) – 与节点数长度相同的列表，其中包含用于将数据传递到主节点的设备。

• tensorpipe_options (dict, 可选) – 要传递给 torch.distributed.rpc.TensorPipeRpcBackendOption 的关键字参数字典。

update_policy_weights_(workers=None, wait=True) → None

如果数据收集器的策略和训练策略位于不同的设备上，则更新策略权重。

参数:

policy_weights (TensorDictBase, 可选) – 如果提供，则为包含要用于更新的策略权重的 TensorDict。