DiscreteSACLoss

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

离散 SAC 损失模块。

参数:

• actor_network (ProbabilisticActor) – 要训练的 actor 网络

• qvalue_network (TensorDictModule) – 单个 Q 值网络，将根据需要多次复制。

• action_space (str 或 TensorSpec) – 动作空间。必须是 "one-hot"、"mult_one_hot"、"binary" 或 "categorical" 之一，或者是相应规范的实例 (torchrl.data.OneHot、torchrl.data.MultiOneHot、torchrl.data.Binary 或 torchrl.data.Categorical)。

• num_actions (int, optional) – 动作空间中的动作数量。如果 target_entropy 设置为 “auto”，则必须提供。

• num_qvalue_nets (int, optional) – 要训练的 Q 值网络数量。默认为 2。

• loss_function (str, optional) – 用于 Q 值的损失函数。可以是 “smooth_l1”、"l2"、"l1" 之一，默认为 “smooth_l1”。

• alpha_init (float, optional) – 初始熵乘数。默认为 1.0。

• min_alpha (float, optional) – alpha 的最小值。默认为 None (无最小值)。

• max_alpha (float, optional) – alpha 的最大值。默认为 None (无最大值)。

• fixed_alpha (bool, optional) – alpha 是否应被训练以匹配目标熵。默认为 False。

• target_entropy_weight (float, optional) – 目标熵项的权重。

• target_entropy (Union[str, Number], optional) – 随机策略的目标熵。默认为 “auto”。

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

• priority_key (str, optional) – [已弃用，请改用 .set_keys(priority_key=priority_key)] 用于写入优先级回放缓冲区优先级值的键。默认为 “td_error”。

• 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和评论家损失的共享参数。

• reduction (str, optional) – 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，"sum"：输出将被求和。默认值："mean"。

示例: >>> import torch >>> from torch import nn >>> from torchrl.data.tensor_specs import OneHot >>> from torchrl.modules.distributions import NormalParamExtractor, OneHotCategorical >>> from torchrl.modules.tensordict_module.actors import ProbabilisticActor, ValueOperator >>> from torchrl.modules.tensordict_module.common import SafeModule >>> from torchrl.objectives.sac import DiscreteSACLoss >>> from tensordict import TensorDict >>> from tensordict.nn import TensorDictModule >>> n_act, n_obs = 4, 3 >>> spec = OneHot(n_act) >>> module = TensorDictModule(nn.Linear(n_obs, n_act), in_keys=[“observation”], out_keys=[“logits”]) >>> actor = ProbabilisticActor( … module=module, … in_keys=[“logits”], … out_keys=[“action”], … spec=spec, … distribution_class=OneHotCategorical) >>> qvalue = TensorDictModule( … nn.Linear(n_obs, n_act), … in_keys=[“observation”], … out_keys=[“action_value”], … ) >>> loss = DiscreteSACLoss(actor, qvalue, action_space=spec, num_actions=spec.space.n) >>> 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_alpha: 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)

此类也与非基于 tensordict 的模块兼容，并且可以在不依赖任何与 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：["action", "next_reward", "next_done", "next_terminated"] + actor 和 qvalue 网络的 in_keys。返回值是一个张量元组，顺序如下：``[“loss_actor”, “loss_qvalue”, “loss_alpha”,

“alpha”, “entropy”]``

也可以使用 DiscreteSACLoss.select_out_keys() 方法过滤输出键。

示例

>>> import torch
>>> from torch import nn
>>> from torchrl.data.tensor_specs import OneHot
>>> from torchrl.modules.distributions import NormalParamExtractor, OneHotCategorical
>>> from torchrl.modules.tensordict_module.actors import ProbabilisticActor, ValueOperator
>>> from torchrl.modules.tensordict_module.common import SafeModule
>>> from torchrl.objectives.sac import DiscreteSACLoss
>>> n_act, n_obs = 4, 3
>>> spec = OneHot(n_act)
>>> net = nn.Sequential(nn.Linear(n_obs, 2 * n_act), NormalParamExtractor())
>>> module = SafeModule(net, in_keys=["observation"], out_keys=["logits"])
>>> actor = ProbabilisticActor(
...     module=module,
...     in_keys=["logits"],
...     out_keys=["action"],
...     spec=spec,
...     distribution_class=OneHotCategorical)
>>> class ValueClass(nn.Module):
...     def __init__(self):
...         super().__init__()
...         self.linear = nn.Linear(n_obs, n_act)
...     def forward(self, obs):
...         return self.linear(obs)
>>> module = ValueClass()
>>> qvalue = ValueOperator(
...     module=module,
...     in_keys=['observation'])
>>> loss = DiscreteSACLoss(actor, qvalue, num_actions=actor.spec["action"].space.n)
>>> batch = [2, ]
>>> action = spec.rand(batch)
>>> # filter output keys to "loss_actor", and "loss_qvalue"
>>> _ = 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 并返回另一个具有名为 “loss*” 的损失键的 tensordict。

然后，训练器可以使用将其损失分解为各个组成部分，以便在整个训练过程中记录各种损失值。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*”。至关重要的是，损失以这个名称返回，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，以便将来进行改进。

• **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)