CQLLoss¶

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

TorchRL 对连续 CQL 损失的实现。

在“用于离线强化学习的保守 Q 学习”中提出 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 "state_action_value" 条目。如果提供了一个 qvalue_network 实例，它将被复制 N 次（对于此损失，N=2）。如果传递了模块列表，则它们的 parameters 将被堆叠，除非它们共享相同的标识（在这种情况下，原始参数将被扩展）。

警告

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

关键字参数：

loss_function (str, 可选) – 用于值函数损失的损失函数。默认为 “smooth_l1”。
alpha_init (float, 可选) – 初始熵乘数。默认为 1.0。
min_alpha (float, 可选) – alpha 的最小值。默认为 None（无最小值）。
max_alpha (float, 可选) – alpha 的最大值。默认为 None（无最大值）。
action_spec (TensorSpec, 可选) – 操作张量规范。如果未提供且目标熵为 "auto"，则将从 Actor 中检索。
fixed_alpha (bool, 可选) – 如果 True，则 alpha 将固定为其初始值。否则，将优化 alpha 以匹配“target_entropy”值。默认为 False。
target_entropy (float 或 str, 可选) – 随机策略的目标熵。默认为“auto”，其中目标熵计算为 -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。默认为 True。
gamma (float, 可选) – 折扣因子。默认为 None。
temperature (float, 可选) – CQL 温度。默认为 1.0。
min_q_weight (float, 可选) – 最小 Q 权重。默认为 1.0。
max_q_backup (bool, 可选) – 是否使用最大-最小 Q 备份。默认为 False。
deterministic_backup (bool, 可选) – 是否使用确定性备份。默认为 True。
num_random (int, 可选) – 为 CQL 损失采样的随机动作数量。默认为 10。
with_lagrange (bool, 可选) – 是否使用拉格朗日乘数。默认为 False。
lagrange_thresh (float, 可选) – 拉格朗日阈值。默认为 0.0。
reduction (str, 可选) – 指定要应用于输出的缩减："none" | "mean" | "sum"。 "none"：不应用缩减，"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"。

示例

>>> import torch
>>> from torch import nn
>>> from torchrl.data import BoundedTensorSpec
>>> 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 = BoundedTensorSpec(-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 基于的模块兼容，并且无需依赖任何 tensordict 相关的基元即可使用。在这种情况下，预期关键字参数为：["action", "next_reward", "next_done", "next_terminated"] + Actor、Value 和 Q 值网络的 in_keys。返回值是按以下顺序排列的张量元组：["loss_actor", "loss_qvalue", "loss_alpha", "loss_alpha_prime", "alpha", "entropy"]。

示例

>>> import torch
>>> from torch import nn
>>> from torchrl.data import BoundedTensorSpec
>>> 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 = BoundedTensorSpec(-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()

还可以使用 CQLLoss.select_out_keys() 方法筛选输出键。

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()

forward(tensordict: TensorDictBase) → 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。

然后，将损失拆分为其组成部分可用于训练器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 – 一个包含计算损失所需值的输入 tensordict。
返回:: 一个新的不包含批次维度的 tensordict，其中包含各种损失标量，这些标量将被命名为“loss*”。这些损失必须使用此名称返回，因为它们将在反向传播之前由训练器读取。

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

值函数构造器。

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，则将使用存储在 default_value_estimator 属性中的默认值。生成的估值函数类将在 self.value_type 中注册，允许将来进行改进。
**hyperparams – 用于值函数的超参数。如果未提供，则将使用 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)

CQLLoss¶

文档

教程

资源