CQLLoss

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

TorchRL 连续 CQL 损失的实现。

在“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 qvalue_network 的单个实例，它将被复制 N 次（其中此损失的 N=2）。如果传递了模块列表，则除非它们共享相同的身份（在这种情况下，原始参数将被展开），否则它们的参数将被堆叠。

  警告

  如果传递参数列表，则不会将其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) – 与值函数损失一起使用的损失函数。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) – action 张量规范。如果未提供且目标熵为 "auto"，则将从 actor 中检索它。

• fixed_alpha (bool, 可选) – 如果为 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。默认为 True。

• num_random (int, 可选) – 为 CQL 损失采样的随机操作数。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，"sum"：将对输出求和。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 基于模块兼容，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，预期的关键字参数是：["action", "next_reward", "next_done", "next_terminated"] + actor、value 和 qvalue 网络的 in_keys。返回值是张量的元组，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()

forward(tensordict: TensorDictBase = None) → TensorDictBase

它旨在读取输入 TensorDict 并返回另一个带有名为“loss*”的损失键的 tensordict。

然后，训练器可以使用将损失拆分为其组成部分来记录整个训练过程中的各种损失值。输出 tensordict 中存在的其他标量也将被记录。

参数:

tensordict – 具有计算损失所需值的输入 tensordict。

返回:

一个新的 tensordict，没有批次维度，其中包含各种损失标量，这些标量将被命名为“loss*”。损失必须以此名称返回，这一点至关重要，因为训练器会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它。

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。生成的值估计器类将在 self.value_type 中注册，从而允许将来的改进。

• **hyperparams – 用于值函数的超参数。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)