PPOLoss¶

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

父 PPO 损失类。

PPO（近端策略优化）是一种无模型、在线 RL 算法，它利用记录的（批量的）轨迹来执行多个优化步骤，同时主动防止更新后的策略偏离其原始参数配置太多。

PPO 损失有不同的形式，具体取决于约束优化的实现方式：ClipPPOLoss 和 KLPENPPOLoss。与子类不同，此类不实现任何正则化，因此应谨慎使用。

有关 PPO 的更多详细信息，请参阅：“近端策略优化算法”，https://arxiv.org/abs/1707.06347

参数:

actor_network (ProbabilisticTensorDictSequential) – 策略运算符。
critic_network (ValueOperator) – 价值运算符。

关键字参数:

entropy_bonus (bool, optional) – 如果 True，则会在损失中添加熵奖励，以支持探索性策略。
samples_mc_entropy (int, optional) – 如果从策略运算符检索的分布没有熵的闭式公式，则将使用蒙特卡罗估计。samples_mc_entropy 将控制用于计算此估计的样本数量。默认为 1。
entropy_coef (scalar, optional) – 计算总损失时的熵乘数。默认为 0.01。
critic_coef (scalar, optional) – 计算总损失时的评论家损失乘数。默认为 1.0。将 critic_coef 设置为 None 以从前向输出中排除价值损失。
loss_critic_type (str, optional) – 价值差异的损失函数。可以是 “l1”、“l2” 或 “smooth_l1” 之一。默认为 "smooth_l1"。
normalize_advantage (bool, optional) – 如果 True，则优势将在使用前进行归一化。默认为 False。
separate_losses (bool, optional) – 如果 True，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，即梯度会传播到策略损失和评论家损失的共享参数。
advantage_key (str, optional) – [已弃用，请改用 set_keys(advantage_key=advantage_key)] 输入 tensordict 键，优势预计将写入此处。默认为 "advantage"。
value_target_key (str, optional) – [已弃用，请改用 set_keys(value_target_key=value_target_key) 代替] 输入 tensordict 键，目标状态值预计将写入此处。默认为 "value_target"。
value_key (str, optional) – [已弃用，请改用 set_keys(value_key) 代替] 输入 tensordict 键，状态值预计将写入此处。默认为 "state_value"。
functional (bool, optional) – 模块是否应被函数化。函数化允许元 RL 等功能，但使得无法使用分布式模型（DDP、FSDP 等），并且会带来少量成本。默认为 True。
reduction (str, optional) – 指定应用于输出的缩减："none" | "mean" | "sum"。"none"：不应用缩减，"mean"：输出的总和将除以输出中元素的数量，"sum"：输出将被求和。默认值："mean"。
clip_value (float, optional) – 如果提供，它将用于计算相对于输入 tensordict 价值估计的裁剪版本的值预测，并使用它来计算价值损失。裁剪的目的是限制极端价值预测的影响，帮助稳定训练并防止大型更新。但是，如果价值估计是由当前版本的价值估计器完成的，则它将不起作用。默认为 None。

注意

优势（通常为 GAE）可以由损失函数或在训练循环中计算。后者通常是首选选项，但这取决于用户选择哪个选项。如果优势键（默认为 "advantage）在输入 tensordict 中不存在，则优势将由 forward() 方法计算。

>>> ppo_loss = PPOLoss(actor, critic)
>>> advantage = GAE(critic)
>>> data = next(datacollector)
>>> losses = ppo_loss(data)
>>> # equivalent
>>> advantage(data)
>>> losses = ppo_loss(data)

可以使用 make_value_estimator() 构建自定义优势模块。默认值为 GAE，其超参数由 default_value_kwargs() 指示。

>>> ppo_loss = PPOLoss(actor, critic)
>>> ppo_loss.make_value_estimator(ValueEstimators.TDLambda)
>>> data = next(datacollector)
>>> losses = ppo_loss(data)

注意

如果 actor 和价值函数共享参数，则可以通过仅将价值网络的头部传递给 PPO 损失模块来避免多次调用公共模块

>>> common = SomeModule(in_keys=["observation"], out_keys=["hidden"])
>>> actor_head = SomeActor(in_keys=["hidden"])
>>> value_head = SomeValue(in_keys=["hidden"])
>>> # first option, with 2 calls on the common module
>>> model = ActorValueOperator(common, actor_head, value_head)
>>> loss_module = PPOLoss(model.get_policy_operator(), model.get_value_operator())
>>> # second option, with a single call to the common module
>>> loss_module = PPOLoss(ProbabilisticTensorDictSequential(model, actor_head), value_head)

无论是否激活 separate_losses，这都将起作用。

示例

>>> import torch
>>> from torch import nn
>>> from torchrl.data.tensor_specs 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.ppo import PPOLoss
>>> from tensordict import TensorDict
>>> n_act, n_obs = 4, 3
>>> spec = Bounded(-torch.ones(n_act), torch.ones(n_act), (n_act,))
>>> base_layer = nn.Linear(n_obs, 5)
>>> net = nn.Sequential(base_layer, nn.Linear(5, 2 * n_act), NormalParamExtractor())
>>> module = SafeModule(net, in_keys=["observation"], out_keys=["loc", "scale"])
>>> actor = ProbabilisticActor(
...     module=module,
...     distribution_class=TanhNormal,
...     in_keys=["loc", "scale"],
...     spec=spec)
>>> module = nn.Sequential(base_layer, nn.Linear(5, 1))
>>> value = ValueOperator(
...     module=module,
...     in_keys=["observation"])
>>> loss = PPOLoss(actor, value)
>>> batch = [2, ]
>>> action = spec.rand(batch)
>>> data = TensorDict({"observation": torch.randn(*batch, n_obs),
...         "action": action,
...         "sample_log_prob": torch.randn_like(action[..., 1]),
...         ("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_critic: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        loss_entropy: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        loss_objective: 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，并且可以在不求助于任何 tensordict 相关原语的情况下使用。在这种情况下，预期的关键字参数是：["action", "sample_log_prob", "next_reward", "next_done", "next_terminated"] + actor 和价值网络的 in_keys。返回值是张量的元组，顺序如下：["loss_objective"] + 如果设置了 entropy_bonus，则为 ["entropy", "loss_entropy"] + 如果 critic_coef 不是 None，则为 "loss_critic"。也可以使用 PPOLoss.select_out_keys() 方法过滤输出键。

示例

>>> import torch
>>> from torch import nn
>>> from torchrl.data.tensor_specs 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.ppo import PPOLoss
>>> n_act, n_obs = 4, 3
>>> spec = Bounded(-torch.ones(n_act), torch.ones(n_act), (n_act,))
>>> base_layer = nn.Linear(n_obs, 5)
>>> net = nn.Sequential(base_layer, nn.Linear(5, 2 * n_act), NormalParamExtractor())
>>> module = SafeModule(net, in_keys=["observation"], out_keys=["loc", "scale"])
>>> actor = ProbabilisticActor(
...     module=module,
...     distribution_class=TanhNormal,
...     in_keys=["loc", "scale"],
...     spec=spec)
>>> module = nn.Sequential(base_layer, nn.Linear(5, 1))
>>> value = ValueOperator(
...     module=module,
...     in_keys=["observation"])
>>> loss = PPOLoss(actor, value)
>>> loss.set_keys(sample_log_prob="sampleLogProb")
>>> _ = loss.select_out_keys("loss_objective")
>>> batch = [2, ]
>>> action = spec.rand(batch)
>>> loss_objective = loss(
...         observation=torch.randn(*batch, n_obs),
...         action=action,
...         sampleLogProb=torch.randn_like(action[..., 1]) / 10,
...         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))
>>> loss_objective.backward()

注意

关于与非 tensordict 基于的模块的兼容性，有一个例外。如果 actor 网络是概率性的并且使用 CompositeDistribution，则此类必须与 tensordict 一起使用，并且不能作为独立于 tensordict 的模块运行。这是因为复合动作空间本质上依赖于 tensordict 提供的结构化数据表示来处理其动作。

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

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组件，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 – 一个输入 tensordict，其中包含计算损失所需的值。
返回:: 一个新的 tensordict，没有批次维度，其中包含各种损失标量，这些标量将被命名为 “loss*”。损失必须使用此名称返回，这一点至关重要，因为训练器将在反向传播之前读取它们。

property functional¶

模块是否是函数式的。

除非经过专门设计使其不具有函数式，否则所有损失都是函数式的。

loss_critic(tensordict: TensorDictBase) → Tensor[源代码]¶: 如果 critic_coef 不是 None，则返回乘以 critic_coef 的评论家损失。

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

价值函数构造函数。

如果需要非默认价值函数，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，则将使用存储在 default_value_estimator 属性中的默认值。生成的价值估计器类将在 self.value_type 中注册，从而允许未来的改进。
**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)

PPOLoss¶

文档

教程

资源