IQLLoss¶

class torchrl.objectives.IQLLoss(*args, **kwargs)[source]¶

TorchRL 实现的 IQL 损失函数。

出自论文 “Offline Reinforcement Learning with Implicit Q-Learning” https://arxiv.org/abs/2110.06169

参数:

actor_network (ProbabilisticActor) – 随机 actor
qvalue_network (TensorDictModule) –
Q(s, a) 参数模型。如果提供了一个 qvalue_network 实例，它将被复制 num_qvalue_nets 次。如果传入模块列表，它们的参数将被堆叠，除非它们共享相同的身份（在这种情况下，原始参数将被展开）。

警告

当传入参数列表时，它们将__不会__与 policy 参数进行比较，并且所有参数将被视为未绑定。
value_network (TensorDictModule, 可选) – V(s) 参数模型。

关键字参数:

num_qvalue_nets (integer, 可选) – 使用的 Q 值网络数量。默认为 2。
loss_function (str, 可选) – 用于 value function loss 的损失函数。默认为 “smooth_l1”。
temperature (float, 可选) – 逆温度 (beta)。对于较小的超参数值，目标函数表现得类似于行为克隆，而对于较大的值，它试图恢复 Q 函数的最大值。
expectile (float, 可选) – expectile \(\tau\)。对于需要动态规划（“stichting”）的 antmaze 任务，较大的 \(\tau\) 值至关重要。
priority_key (str, 可选) – [已弃用，请改用 .set_keys(priority_key=priority_key)] tensordict 中用于写入优先级（用于优先级回放缓冲区）的键。默认为 “td_error”。
separate_losses (bool, 可选) – 如果为 True，policy 和 critic 之间的共享参数将仅通过 policy loss 进行训练。默认为 False，即梯度会传播到 policy 和 critic loss 的共享参数。
reduction (str, 可选) – 指定应用于输出的 reduction 类型："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。默认为 "mean"。

示例

>>> import torch
>>> from torch import nn
>>> from torchrl.data import Bounded
>>> from torchrl.modules.distributions import NormalParamExtractor, TanhNormal
>>> from torchrl.modules.tensordict_module.actors import ProbabilisticActor, ValueOperator
>>> from torchrl.modules.tensordict_module.common import SafeModule
>>> from torchrl.objectives.iql import IQLLoss
>>> from tensordict import TensorDict
>>> n_act, n_obs = 4, 3
>>> spec = Bounded(-torch.ones(n_act), torch.ones(n_act), (n_act,))
>>> net = nn.Sequential(nn.Linear(n_obs, 2 * n_act), NormalParamExtractor())
>>> module = SafeModule(net, in_keys=["observation"], out_keys=["loc", "scale"])
>>> actor = ProbabilisticActor(
...     module=module,
...     in_keys=["loc", "scale"],
...     spec=spec,
...     distribution_class=TanhNormal)
>>> class QValueClass(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))
>>> qvalue = SafeModule(
...     QValueClass(),
...     in_keys=["observation", "action"],
...     out_keys=["state_action_value"],
... )
>>> value = SafeModule(
...     nn.Linear(n_obs, 1),
...     in_keys=["observation"],
...     out_keys=["state_value"],
... )
>>> loss = IQLLoss(actor, qvalue, value)
>>> 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={
        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_qvalue: 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)},
    batch_size=torch.Size([]),
    device=None,
    is_shared=False)

此类别也兼容非 tensordict 的模块，无需使用任何 tensordict 相关原语即可使用。在这种情况下，预期的关键字参数为：["action", "next_reward", "next_done", "next_terminated"] + actor、value 和 qvalue 网络的 in_keys。返回值是按以下顺序排列的 tensor 元组：["loss_actor", "loss_qvalue", "loss_value", "entropy"]。

示例

>>> import torch
>>> from torch import nn
>>> from torchrl.data import Bounded
>>> from torchrl.modules.distributions import NormalParamExtractor, TanhNormal
>>> from torchrl.modules.tensordict_module.actors import ProbabilisticActor, ValueOperator
>>> from torchrl.modules.tensordict_module.common import SafeModule
>>> from torchrl.objectives.iql import IQLLoss
>>> _ = torch.manual_seed(42)
>>> n_act, n_obs = 4, 3
>>> spec = Bounded(-torch.ones(n_act), torch.ones(n_act), (n_act,))
>>> net = nn.Sequential(nn.Linear(n_obs, 2 * n_act), NormalParamExtractor())
>>> module = SafeModule(net, in_keys=["observation"], out_keys=["loc", "scale"])
>>> actor = ProbabilisticActor(
...     module=module,
...     in_keys=["loc", "scale"],
...     spec=spec,
...     distribution_class=TanhNormal)
>>> class QValueClass(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))
>>> qvalue = SafeModule(
...     QValueClass(),
...     in_keys=["observation", "action"],
...     out_keys=["state_action_value"],
... )
>>> value = SafeModule(
...     nn.Linear(n_obs, 1),
...     in_keys=["observation"],
...     out_keys=["state_value"],
... )
>>> loss = IQLLoss(actor, qvalue, value)
>>> batch = [2, ]
>>> action = spec.rand(batch)
>>> loss_actor, loss_qvalue, loss_value, entropy = 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()

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

示例

>>> _ = 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()

default_keys¶: 别名 _AcceptedKeys

forward(tensordict: TensorDictBase = None) → TensorDictBase[source]¶

它旨在读取输入的 TensorDict 并返回另一个包含名为“loss*”的损失键的 tensordict。

然后，训练器可以使用将损失拆分为其组成部分的功能，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 – 包含计算损失所需值的输入 tensordict。
返回值:: 一个新的不含批次维度的 tensordict，其中包含各种名为“loss*”的损失标量。损失必须以此名称返回，这一点至关重要，因为训练器会在反向传播之前读取它们。

static loss_value_diff(diff, expectile=0.8)[source]¶: 用于 iql expectile 值差异的损失函数。

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

值函数构造器。

如果需要非默认值函数，必须使用此方法构建。

参数:

value_type (ValueEstimators) – 指示要使用的值函数的 ValueEstimators 枚举类型。如果未提供，将使用存储在 default_value_estimator 属性中的默认值。由此产生的值估计器类将注册到 self.value_type 中，以便将来进行细化。
**hyperparams – 用于值函数的超参数。如果未提供，将使用 default_value_kwargs() 指定的值。

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)

IQLLoss¶

文档

教程

资源