DDPGLoss

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

DDPG 损失类。

参数:

• actor_network (TensorDictModule) – 策略运算符。

• value_network (TensorDictModule) – Q 值运算符。

• loss_function (str) – 值差异的损失函数。可以是 “l1”、“l2” 或 “smooth_l1” 之一。

• delay_actor (bool, optional) – 是否将目标 actor 网络与用于数据收集的 actor 网络分离。默认为 False。

• delay_value (bool, optional) – 是否将目标 value 网络与用于数据收集的 value 网络分离。默认为 True。

• separate_losses (bool, optional) – 如果为 True，则策略和评论家之间共享的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损失和评论家损失的共享参数。

• reduction (str, optional) – 指定应用于输出的 reduction 方式："none" | "mean" | "sum"。"none"：不应用 reduction，"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 Bounded
>>> from torchrl.modules.tensordict_module.actors import Actor, ValueOperator
>>> from torchrl.objectives.ddpg import DDPGLoss
>>> from tensordict import TensorDict
>>> n_act, n_obs = 4, 3
>>> spec = Bounded(-torch.ones(n_act), torch.ones(n_act), (n_act,))
>>> actor = Actor(spec=spec, module=nn.Linear(n_obs, n_act))
>>> 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()
>>> value = ValueOperator(
...     module=module,
...     in_keys=["observation", "action"])
>>> loss = DDPGLoss(actor, value)
>>> batch = [2, ]
>>> data = TensorDict({
...        "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),
...    }, batch)
>>> loss(data)
TensorDict(
    fields={
        loss_actor: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        loss_value: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        pred_value: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        pred_value_max: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        target_value: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        target_value_max: 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与 tensordict 相关的原语的情况下使用。在这种情况下，预期的关键字参数为：["next_reward", "next_done", "next_terminated"] + actor_network 和 value_network 的 in_keys。返回值是张量元组，顺序如下：["loss_actor", "loss_value", "pred_value", "target_value", "pred_value_max", "target_value_max"]

示例

>>> import torch
>>> from torch import nn
>>> from torchrl.data import Bounded
>>> from torchrl.modules.tensordict_module.actors import Actor, ValueOperator
>>> from torchrl.objectives.ddpg import DDPGLoss
>>> _ = torch.manual_seed(42)
>>> n_act, n_obs = 4, 3
>>> spec = Bounded(-torch.ones(n_act), torch.ones(n_act), (n_act,))
>>> actor = Actor(spec=spec, module=nn.Linear(n_obs, n_act))
>>> 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()
>>> value = ValueOperator(
...     module=module,
...     in_keys=["observation", "action"])
>>> loss = DDPGLoss(actor, value)
>>> loss_actor, loss_value, pred_value, target_value, pred_value_max, target_value_max = loss(
...     observation=torch.randn(n_obs),
...     action=spec.rand(),
...     next_done=torch.zeros(1, dtype=torch.bool),
...     next_terminated=torch.zeros(1, dtype=torch.bool),
...     next_observation=torch.randn(n_obs),
...     next_reward=torch.randn(1))
>>> loss_actor.backward()

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

示例

>>> loss.select_out_keys('loss_actor', 'loss_value')
>>> loss_actor, loss_value = loss(
...     observation=torch.randn(n_obs),
...     action=spec.rand(),
...     next_done=torch.zeros(1, dtype=torch.bool),
...     next_terminated=torch.zeros(1, dtype=torch.bool),
...     next_observation=torch.randn(n_obs),
...     next_reward=torch.randn(1))
>>> loss_actor.backward()

forward(tensordict: TensorDictBase = None) → TensorDict

计算给定从回放缓冲区采样的 tensordict 的 DDPG 损失。

此函数还将写入一个 “td_error” 键，优先回放缓冲区可以使用该键来分配

tensordict 中项目的优先级。

参数:

tensordict (TensorDictBase) – 具有键 [“done”, “terminated”, “reward”] 以及 actor 和 value 网络的 in_keys 的 tensordict。

返回:

包含 DDPG 损失的 2 个张量的元组。

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

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，则将使用 default_value_estimator 属性中存储的默认值。生成的价值估计器类将注册在 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)