DDPGLoss¶

class torchrl.objectives.DDPGLoss(*args, **kwargs)[源代码]¶

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) – 用于值差异的损失函数。可以是“l1”、“l2”或“smooth_l1”之一。
delay_actor (bool, 可选) – 是否将目标演员网络与用于数据收集的演员网络分开。默认为 False。
delay_value (bool, 可选) – 是否将目标值网络与用于数据收集的值网络分开。默认为 True。
separate_losses (bool, 可选) – 如果为 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，即梯度传播到策略和评论家损失的共享参数。
reduction (str, 可选) – 指定要应用于输出的缩减："none" | "mean" | "sum"。 "none"：不应用任何缩减，"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："mean"。

示例

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

此类也与非 tensordict 基于的模块兼容，并且可以在不诉诸任何与 tensordict 相关的原语的情况下使用。在这种情况下，预期的关键字参数是：["next_reward", "next_done", "next_terminated"] + 演员网络和值网络的 in_keys。返回值是按以下顺序排列的张量元组：["loss_actor", "loss_value", "pred_value", "target_value", "pred_value_max", "target_value_max"]

示例

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

也可以使用 DDPGLoss.select_out_keys() 方法筛选输出键。

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) → TensorDict[源代码]¶

根据从回放缓冲区采样的 tensordict 计算 DDPG 损失。

此函数还将写入一个“td_error”键，优先级回放缓冲区可以使用该键将: 优先级分配给 tensordict 中的项目。

参数：:: tensordict (TensorDictBase) – 包含 [“done”、“terminated”、“reward”] 键和演员和值网络的 in_keys 的 tensordict。
返回值：:: 包含 DDPG 损失的两个张量的元组。

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

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) – 指示要使用的值函数的 ValueEstimators 枚举类型。如果没有提供，将使用存储在 default_value_estimator 属性中的默认值。生成的估值器类将在 self.value_type 中注册，允许进行未来的改进。
**hyperparams – 用于值函数的超参数。如果未提供，将使用 default_value_kwargs() 中指示的值。

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)

DDPGLoss¶

文档

教程

资源