CQLLoss

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

TorchRL 对连续 CQL 损失的实现。

提出于 “Conservative Q-Learning for Offline Reinforcement Learning” https://arxiv.org/abs/2006.04779

参数：

• actor_network (ProbabilisticActor) – 随机 actor

• qvalue_network (TensorDictModule 或 TensorDictModule 列表) –

  Q(s, a) 参数模型。此模块通常输出一个 "state_action_value" 条目。如果提供单个 qvalue_network 实例，它将被复制 N 次（此损失中 N=2）。如果传递模块列表，除非它们共享同一身份（此时原始参数将被展开），否则它们的参数将被堆叠。

  警告

  当传递参数列表时，它__不会__与策略参数进行比较，并且所有参数将被视为未绑定。

关键字参数：

• loss_function (str, 可选) – 用于值函数损失的损失函数。默认值为 “smooth_l1”。

• alpha_init (float, 可选) – 初始熵乘数。默认值为 1.0。

• min_alpha (float, 可选) – alpha 的最小值。默认值为 None（无最小值）。

• max_alpha (float, 可选) – alpha 的最大值。默认值为 None（无最大值）。

• action_spec (TensorSpec, 可选) – 动作张量规范。如果未提供且目标熵为 "auto"，它将从 actor 中获取。

• fixed_alpha (bool, 可选) – 如果 True，alpha 将固定为其初始值。否则，alpha 将被优化以匹配“target_entropy”值。默认值为 False。

• target_entropy (float 或 str, 可选) – 随机策略的目标熵。默认值为 “auto”，此时目标熵计算为 -prod(n_actions)。

• delay_actor (bool, 可选) – 是否将目标 actor 网络与用于数据收集的 actor 网络分开。默认值为 False。

• delay_qvalue (bool, 可选) – 是否将目标 Q 值网络与用于数据收集的 Q 值网络分开。默认值为 True。

• gamma (float, 可选) – 折扣因子。默认值为 None。

• temperature (float, 可选) – CQL 温度。默认值为 1.0。

• min_q_weight (float, 可选) – 最小 Q 权重。默认值为 1.0。

• max_q_backup (bool, 可选) – 是否使用 max-min Q backup。默认值为 False。

• deterministic_backup (bool, 可选) – 是否使用确定性备份。默认值为 True。

• num_random (int, 可选) – 为 CQL 损失采样的随机动作数量。默认值为 10。

• with_lagrange (bool, 可选) – 是否使用拉格朗日乘数。默认值为 False。

• lagrange_thresh (float, 可选) – 拉格朗日阈值。默认值为 0.0。

• reduction (str, 可选) – 指定应用于输出的 reduction 方式："none" | "mean" | "sum"。"none"：不应用 reduction，"mean"：输出总和除以输出中的元素数量，"sum"：对输出求和。默认值："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 ProbabilisticActor, ValueOperator
>>> from torchrl.modules.tensordict_module.common import SafeModule
>>> from torchrl.objectives.cql import CQLLoss
>>> 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)
>>> 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 = CQLLoss(actor, qvalue)
>>> 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={
        alpha: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        entropy: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        loss_actor: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        loss_actor_bc: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        loss_alpha: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        loss_cql: 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)},
    batch_size=torch.Size([]),
    device=None,
    is_shared=False)

此类也与非 tensordict 模块兼容，无需使用任何 tensordict 相关原语即可使用。在这种情况下，预期的关键字参数为：["action", "next_reward", "next_done", "next_terminated"] + actor、value 和 qvalue 网络的 in_keys。返回值是一个张量元组，顺序如下：["loss_actor", "loss_qvalue", "loss_alpha", "loss_alpha_prime", "alpha", "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.cql import CQLLoss
>>> _ = 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)
>>> 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 = CQLLoss(actor, qvalue)
>>> batch = [2, ]
>>> action = spec.rand(batch)
>>> loss_actor, loss_actor_bc, loss_qvalue, loss_cql, *_ = 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_observation=torch.zeros(*batch, n_obs),
...     next_reward=torch.randn(*batch, 1))
>>> loss_actor.backward()

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

示例

>>> _ = loss.select_out_keys('loss_actor', 'loss_qvalue')
>>> 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_observation=torch.zeros(*batch, n_obs),
...     next_reward=torch.randn(*batch, 1))
>>> loss_actor.backward()

default_keys

_AcceptedKeys 的别名

forward(tensordict: TensorDictBase = None) → TensorDictBase

它被设计用于读取输入的 TensorDict 并返回另一个包含以“loss*”命名的损失键的 tensordict。

将其损失分解为各个组成部分后，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：

一个新的不带 batch 维度的 tensordict，包含各种损失标量，这些标量将命名为“loss*”。这些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。

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

值函数构造函数。

如果需要非默认值函数，则必须使用此方法构建。

参数：

• value_type (ValueEstimators) – 一个 ValueEstimators 枚举类型，指示要使用的值函数。如果未提供，将使用存储在 default_value_estimator 属性中的默认值。结果的值估计器类将注册到 self.value_type 中，以便将来进行改进。

• **hyperparams – 用于值函数的超参数。如果未提供，将使用 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)