ClipPPOLoss

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

裁剪 PPO 损失。

裁剪的重要性加权损失计算如下

loss = -min( weight * advantage, min(max(weight, 1-eps), 1+eps) * advantage)

参数:

• actor_network (ProbabilisticTensorDictSequential) – 策略算子。

• critic_network (ValueOperator) – 价值算子。

关键字参数:

• clip_epsilon (标量, 可选) – 裁剪 PPO 损失方程中的权重裁剪阈值。默认值：0.2

• entropy_bonus (bool, 可选) – 如果 True，则会在损失中添加熵奖励，以鼓励探索性策略。

• samples_mc_entropy (int, 可选) – 如果从策略算子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的样本数量。默认为 1。

• entropy_coef (标量, 可选) – 计算总损失时的熵乘数。默认为 0.01。

• critic_coef (标量, 可选) – 计算总损失时的评论家损失乘数。默认为 1.0。将 critic_coef 设置为 None 以从前向输出中排除价值损失。

• loss_critic_type (str, 可选) – 价值差异的损失函数。可以是 “l1”、“l2” 或 “smooth_l1” 之一。默认为 "smooth_l1"。

• normalize_advantage (bool, 可选) – 如果 True，则优势将在使用前进行归一化。默认为 False。

• separate_losses (bool, 可选) – 如果 True，则策略和评论家之间的共享参数将仅在策略损失上进行训练。默认为 False，即梯度会传播到策略和评论家损失的共享参数。

• advantage_key (str, 可选) – [已弃用，请改用 set_keys(advantage_key=advantage_key)] 输入 tensordict 键，期望在此处写入优势。默认为 "advantage"。

• value_target_key (str, 可选) – [已弃用，请改用 set_keys(value_target_key=value_target_key)] 输入 tensordict 键，期望在此处写入目标状态值。默认为 "value_target"。

• value_key (str, 可选) – [已弃用，请改用 set_keys(value_key)] 输入 tensordict 键，期望在此处写入状态值。默认为 "state_value"。

• functional (bool, 可选) – 模块是否应函数化。函数化允许元 RL 等功能，但使得无法使用分布式模型 (DDP、FSDP, …)，并且会带来一些成本。默认为 True。

• reduction (str, 可选) – 指定应用于输出的归约："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 (bool 或 float, 可选) – 如果提供 float，它将用于计算相对于输入 tensordict 价值估计的价值预测的裁剪版本，并使用它来计算价值损失。裁剪的目的是限制极端价值预测的影响，帮助稳定训练并防止大型更新。但是，如果价值估计是由当前版本的价值估计器完成的，则它将不起作用。如果改为提供 True，则 clip_epsilon 参数将用作裁剪阈值。如果未提供或 False，则不会执行裁剪。默认为 False。

注意

如果 actor 和价值函数共享参数，则可以通过仅将价值网络的头部传递给 PPO 损失模块来避免多次调用公共模块

>>> common = SomeModule(in_keys=["observation"], out_keys=["hidden"])
>>> actor_head = SomeActor(in_keys=["hidden"])
>>> value_head = SomeValue(in_keys=["hidden"])
>>> # first option, with 2 calls on the common module
>>> model = ActorValueOperator(common, actor_head, value_head)
>>> loss_module = ClipPPOLoss(model.get_policy_operator(), model.get_value_operator())
>>> # second option, with a single call to the common module
>>> loss_module = ClipPPOLoss(ProbabilisticTensorDictSequential(model, actor_head), value_head)

无论是否激活 separate_losses，这都将起作用。

forward(tensordict: TensorDictBase = None) → TensorDictBase

它旨在读取输入 TensorDict 并返回另一个 tensordict，其中损失键名为 “loss*”。

然后，训练器可以使用损失的组件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，包含各种损失标量，这些标量将被命名为 “loss*”。损失必须使用此名称返回，因为它们将在反向传播之前被训练器读取。