EGreedyModule

class torchrl.modules.tensordict_module.EGreedyModule(*args, **kwargs)

Epsilon-Greedy 探索模块。

此模块根据 Epsilon-Greedy 探索策略随机更新 Tensordict 中的动作。在每次调用时，都会根据某个概率阈值执行随机抽取（每个动作一个）。如果成功，相应的动作将被从提供的动作规范中抽取的随机样本替换。其他动作保持不变。

参数：

• spec (TensorSpec) – 用于采样动作的规范。

• eps_init (标量, 可选) – 初始 Epsilon 值。默认值：1.0

• eps_end (标量, 可选) – 最终 Epsilon 值。默认值：0.1

• annealing_num_steps (整数, 可选) – Epsilon 达到 eps_end 值所需步数。默认为 1000。

关键字参数：

• action_key (嵌套键, 可选) – 输入 Tensordict 中可以找到动作的键。默认值为 "action"。

• action_mask_key (嵌套键, 可选) – 输入 Tensordict 中可以找到动作掩码的键。默认为 None（对应于无掩码）。

注意

在训练循环中包含对 step() 的调用的至关重要，以更新探索因子。由于很难捕获此遗漏，因此如果省略此操作，不会发出任何警告或异常！

示例

>>> import torch
>>> from tensordict import TensorDict
>>> from tensordict.nn import TensorDictSequential
>>> from torchrl.modules import EGreedyModule, Actor
>>> from torchrl.data import BoundedTensorSpec
>>> torch.manual_seed(0)
>>> spec = BoundedTensorSpec(-1, 1, torch.Size([4]))
>>> module = torch.nn.Linear(4, 4, bias=False)
>>> policy = Actor(spec=spec, module=module)
>>> explorative_policy = TensorDictSequential(policy,  EGreedyModule(eps_init=0.2))
>>> td = TensorDict({"observation": torch.zeros(10, 4)}, batch_size=[10])
>>> print(explorative_policy(td).get("action"))
tensor([[ 0.0000,  0.0000,  0.0000,  0.0000],
        [ 0.0000,  0.0000,  0.0000,  0.0000],
        [ 0.9055, -0.9277, -0.6295, -0.2532],
        [ 0.0000,  0.0000,  0.0000,  0.0000],
        [ 0.0000,  0.0000,  0.0000,  0.0000],
        [ 0.0000,  0.0000,  0.0000,  0.0000],
        [ 0.0000,  0.0000,  0.0000,  0.0000],
        [ 0.0000,  0.0000,  0.0000,  0.0000],
        [ 0.0000,  0.0000,  0.0000,  0.0000],
        [ 0.0000,  0.0000,  0.0000,  0.0000]], grad_fn=<AddBackward0>)

forward(tensordict: TensorDictBase) → TensorDictBase

定义每次调用时执行的计算。

所有子类都应覆盖此方法。

注意

尽管正向传递的配方需要在此函数中定义，但应该之后调用 Module 实例，而不是此函数，因为前者负责运行已注册的钩子，而后者则会静默忽略它们。

step(frames: int = 1) → None

Epsilon 衰减的一步。

在对该方法调用 self.annealing_num_steps 次后，后续调用将变为无操作。

参数：

frames (整数, 可选) – 自上次步骤以来的帧数。默认为 1。