DQNLoss

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

DQN 损失类。

参数:

value_network (QValueActor 或 nn.Module) – Q 值算子。

关键字参数:

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

• delay_value (bool, 可选) – 是否将值网络复制到新的目标值网络中以创建带有目标网络的 DQN。默认为 True。

• double_dqn (bool, 可选) – 是否使用 Double DQN，如 https://arxiv.org/abs/1509.06461 中所述。默认为 False。

• action_space (str 或 TensorSpec, 可选) – 动作空间。必须是 "one-hot", "mult_one_hot", "binary" 或 "categorical" 之一，或相应规范的实例 (torchrl.data.OneHot, torchrl.data.MultiOneHot, torchrl.data.Binary 或 torchrl.data.Categorical)。如果未提供，将尝试从值网络中检索。

• priority_key (NestedKey, 可选) – [已弃用，请改用 .set_keys(priority_key=priority_key)] 优先级假定存储在添加到此 ReplayBuffer 的 TensorDict 中的键。这用于当采样器类型为 PrioritizedSampler 时。默认为 "td_error"。

• reduction (str, 可选) – 指定应用于输出的缩减方式："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

>>> from torchrl.modules import MLP
>>> from torchrl.data import OneHot
>>> n_obs, n_act = 4, 3
>>> value_net = MLP(in_features=n_obs, out_features=n_act)
>>> spec = OneHot(n_act)
>>> actor = QValueActor(value_net, in_keys=["observation"], action_space=spec)
>>> loss = DQNLoss(actor, action_space=spec)
>>> batch = [10,]
>>> data = TensorDict({
...     "observation": torch.randn(*batch, n_obs),
...     "action": spec.rand(batch),
...     ("next", "observation"): torch.randn(*batch, n_obs),
...     ("next", "done"): torch.zeros(*batch, 1, dtype=torch.bool),
...     ("next", "terminated"): torch.zeros(*batch, 1, dtype=torch.bool),
...     ("next", "reward"): torch.randn(*batch, 1)
... }, batch)
>>> loss(data)
TensorDict(
    fields={
        loss: 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 tensordict 相关原语的情况下使用。在这种情况下，预期的关键字参数为：["observation", "next_observation", "action", "next_reward", "next_done", "next_terminated"]，并返回单个损失值。

示例

>>> from torchrl.objectives import DQNLoss
>>> from torchrl.data import OneHot
>>> from torch import nn
>>> import torch
>>> n_obs = 3
>>> n_action = 4
>>> action_spec = OneHot(n_action)
>>> value_network = nn.Linear(n_obs, n_action) # a simple value model
>>> dqn_loss = DQNLoss(value_network, action_space=action_spec)
>>> # define data
>>> observation = torch.randn(n_obs)
>>> next_observation = torch.randn(n_obs)
>>> action = action_spec.rand()
>>> next_reward = torch.randn(1)
>>> next_done = torch.zeros(1, dtype=torch.bool)
>>> next_terminated = torch.zeros(1, dtype=torch.bool)
>>> loss_val = dqn_loss(
...     observation=observation,
...     next_observation=next_observation,
...     next_reward=next_reward,
...     next_done=next_done,
...     next_terminated=next_terminated,
...     action=action)

forward(tensordict: TensorDictBase = None) → TensorDict

计算给定从回放缓冲区采样的 tensordict 的 DQN 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) – 一个带有键 [“action”] 和值网络的 in_keys (观察值、“done”、“terminated”、“reward” 在 “next” tensordict 中) 的 tensordict。

返回值:

一个包含 DQN 损失的张量。

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

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，将使用 default_value_estimator 属性中存储的默认值。生成的值估计器类将在 self.value_type 中注册，允许未来的改进。

• **hyperparams – 用于值函数的超参数。如果未提供，将使用 default_value_kwargs() 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)