A2CLoss¶

class torchrl.objectives.A2CLoss(*args, **kwargs)[source]¶

A2C 损失函数的 TorchRL 实现。

A2C (优势演员-评论家) 是一种无模型、在线强化学习算法，它使用并行 N 步 rollout 来更新策略，依赖 REINFORCE 估计器计算梯度。它还在目标函数中添加了一个熵项，以改进探索。

有关 A2C 的更多详情，请参阅：“异步深度强化学习方法”，https://arxiv.org/abs/1602.01783v2

参数:

actor_network (ProbabilisticTensorDictSequential) – 策略算子。
critic_network (ValueOperator) – 价值算子。
entropy_bonus (bool) – 如果为 True，则会将熵奖励添加到损失中，以偏好探索性策略。
samples_mc_entropy (int) – 如果从策略算子中检索到的分布没有熵的闭式公式，则将使用蒙特卡洛估计。samples_mc_entropy 将控制用于计算此估计值的样本数量。默认为 1。
entropy_coef (float) – 熵损失的权重。默认为 0.01`。
critic_coef (float) – 价值网络损失的权重。默认为 1.0。如果为 None，则不包含价值网络损失，并且 in-keys 将缺少价值网络输入。
loss_critic_type (str) – 用于计算价值差异的损失函数。可以是 “l1”、“l2” 或 “smooth_l1” 之一。默认为 "smooth_l1"。
separate_losses (bool, optional) – 如果为 True，则策略和价值网络之间的共享参数将仅基于策略损失进行训练。默认为 False，即梯度会传播到策略损失和价值网络损失的共享参数。
advantage_key (str) – [已弃用，请改用 set_keys(advantage_key=advantage_key)] 期望写入优势的输入 tensordict 键。默认值：“advantage”
value_target_key (str) – [已弃用，请改用 set_keys()] 期望写入目标状态价值的输入 tensordict 键。默认为 "value_target"。
functional (bool, optional) – 模块是否应该被函数化。函数化支持元强化学习等功能，但无法使用分布式模型（DDP、FSDP 等），并且会带来一点开销。默认为 True。
reduction (str, optional) – 指定要应用于输出的归约方法："none" | "mean" | "sum"。"none"：不应用归约，"mean"：输出的总和将除以输出中的元素数量，"sum"：输出将被求和。默认值："mean"。
clip_value (float, optional) – 如果提供，将用于根据输入价值估计计算价值预测的裁剪版本，并用其计算价值损失。裁剪的目的是限制极端价值预测的影响，有助于稳定训练并防止大幅更新。但是，如果价值估计是由当前版本的价值估计器完成的，则此参数无效。默认为 None。

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 ProbabilisticActor, ValueOperator
>>> from torchrl.modules.tensordict_module.common import SafeModule
>>> from torchrl.objectives.a2c import A2CLoss
>>> from tensordict import TensorDict
>>> n_act, n_obs = 4, 3
>>> spec = Bounded(-torch.ones(n_act), torch.ones(n_act), (n_act,))
>>> net = nn.Sequential(nn.Linear(n_obs, 2 * n_act), NormalParamExtractor())
>>> module = SafeModule(net, in_keys=["observation"], out_keys=["loc", "scale"])
>>> actor = ProbabilisticActor(
...     module=module,
...     in_keys=["loc", "scale"],
...     spec=spec,
...     distribution_class=TanhNormal)
>>> module = nn.Linear(n_obs, 1)
>>> value = ValueOperator(
...     module=module,
...     in_keys=["observation"])
>>> loss = A2CLoss(actor, value, loss_critic_type="l2")
>>> 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={
        entropy: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        loss_critic: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        loss_entropy: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        loss_objective: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False)},
    batch_size=torch.Size([]),
    device=None,
    is_shared=False)

此类也兼容非基于 tensordict 的模块，并且可以在不使用任何 tensordict 相关原语的情况下使用。在这种情况下，预期的关键字参数为：["action", "next_reward", "next_done", "next_terminated"] + 演员和价值网络的 in_keys。返回值为张量元组，顺序如下：["loss_objective"] + 如果 critic_coef 不为 None 则为 ["loss_critic"] + 如果 entropy_bonus 为 True 且 critic_coef 不为 None 则为 ["entropy", "loss_entropy"]

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 ProbabilisticActor, ValueOperator
>>> from torchrl.modules.tensordict_module.common import SafeModule
>>> from torchrl.objectives.a2c import A2CLoss
>>> _ = torch.manual_seed(42)
>>> n_act, n_obs = 4, 3
>>> spec = Bounded(-torch.ones(n_act), torch.ones(n_act), (n_act,))
>>> net = nn.Sequential(nn.Linear(n_obs, 2 * n_act), NormalParamExtractor())
>>> module = SafeModule(net, in_keys=["observation"], out_keys=["loc", "scale"])
>>> actor = ProbabilisticActor(
...     module=module,
...     in_keys=["loc", "scale"],
...     spec=spec,
...     distribution_class=TanhNormal)
>>> module = nn.Linear(n_obs, 1)
>>> value = ValueOperator(
...     module=module,
...     in_keys=["observation"])
>>> loss = A2CLoss(actor, value, loss_critic_type="l2")
>>> batch = [2, ]
>>> loss_obj, loss_critic, entropy, loss_entropy = loss(
...     observation = torch.randn(*batch, n_obs),
...     action = spec.rand(batch),
...     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_obj.backward()

输出键也可以使用 SACLoss.select_out_keys() 方法进行过滤。

示例

>>> loss.select_out_keys('loss_objective', 'loss_critic')
>>> loss_obj, loss_critic = loss(
...     observation = torch.randn(*batch, n_obs),
...     action = spec.rand(batch),
...     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_obj.backward()

注意

关于与非基于 tensordict 的模块兼容性存在一个例外。如果演员网络是概率性的并且使用 CompositeDistribution，则此类必须与 tensordicts 一起使用，并且不能作为独立于 tensordict 的模块运行。这是因为复合动作空间本质上依赖于 tensordicts 提供的结构化数据表示来处理其动作。

default_keys¶: 的别名 _AcceptedKeys

forward(tensordict: TensorDictBase = None) → TensorDictBase[source]¶

它旨在读取输入 TensorDict 并返回另一个包含名为 “loss*” 的损失键的 tensordict。

将损失分解为其组成部分后，训练器就可以在整个训练过程中记录各种损失值。输出 tensordict 中存在的其他标量也将被记录。

参数:: tensordict – 包含计算损失所需值的输入 tensordict。
返回值:: 一个没有批处理维度的新 tensordict，包含各种将被命名为 “loss*” 的损失标量。损失必须以此名称返回，因为训练器将在反向传播之前读取它们，这一点至关重要。

property functional¶

模块是否是函数式的。

除非特别设计为非函数式，否则所有损失都是函数式的。

loss_critic(tensordict: TensorDictBase) → Tuple[Tensor, float][source]¶

返回价值网络的损失值，如果 critic_coef 不为 None，则乘以 critic_coef。

返回损失和裁剪分数。

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

价值函数构造器。

如果需要非默认的价值函数，则必须使用此方法构建。

参数:

value_type (ValueEstimators) – 一个 ValueEstimators 枚举类型，指示要使用的价值函数。如果未提供，将使用存储在 default_value_estimator 属性中的默认值。生成的价值估计器类将被注册到 self.value_type 中，以便将来进行改进。
**hyperparams – 用于价值函数的超参数。如果未提供，将使用 default_value_kwargs() 指示的值。

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)

A2CLoss¶

文档

教程

资源