PPOLoss¶

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

一个父 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（一批）轨迹执行多个优化步骤，同时积极防止更新后的策略偏离其原始参数配置太多。

PPO 损失可以有多种形式，具体取决于约束优化实现的方式：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) – 策略算子。
critic_network (ValueOperator) – 值算子。

关键字参数：

entropy_bonus (bool, 可选) – 如果为 True，则会将熵奖励添加到损失中以偏好探索性策略。
samples_mc_entropy (int, 可选) – 如果从策略算子检索到的分布没有熵的封闭形式公式，则将使用蒙特卡洛估计。samples_mc_entropy 将控制用于计算此估计值的样本数量。默认为 1。
entropy_coef (标量, 可选) – 计算总损失时使用的熵乘数。默认为 0.01。
critic_coef (标量, 可选) – 计算总损失时使用的 critic 损失乘数。默认为 1.0。
loss_critic_type (str, 可选) – 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, 可选) – 如果为 True，则在使用前将标准化优势。默认为 False。
separate_losses (bool, 可选) – 如果为 True，则策略和 critic 之间的共享参数将仅在策略损失上进行训练。默认为 False，即梯度会针对策略和 critic 损失传播到共享参数。
advantage_key (str, 可选) – [已弃用，请改用 set_keys(advantage_key=advantage_key)] 预期写入优势的输入 tensordict 键。默认为 "advantage"。
value_target_key (str, 可选) – [已弃用，请改用 set_keys(value_target_key=value_target_key)] 预期写入目标状态值的输入 tensordict 键。默认为 "value_target"。
value_key (str, 可选) – [已弃用，请改用 set_keys(value_key)] 预期写入状态值的输入 tensordict 键。默认为 "state_value"。
functional (bool, 可选) – 模块是否应功能化。功能化允许元 RL 等功能，但会使使用分布式模型（DDP、FSDP 等）变得不可能，并且会带来一些成本。默认为 True。
reduction (str, 可选) – 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的元素数量，"sum"：输出将求和。默认值："mean"。
clip_value (float, 可选) – 如果提供，它将用于计算相对于输入 tensordict 值估计值的价值预测的裁剪版本，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的更新。但是，如果当前版本的价值估计器进行了价值估计，它将不会产生任何影响。默认为 None。

注意

优势（通常为 GAE）可以通过损失函数或训练循环计算。后者通常是首选，但这取决于用户选择哪个选项是首选。如果输入 tensordict 中不存在优势键（默认情况下为 "advantage"），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() 决定。

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

注意

如果 actor 和值函数共享参数，可以通过仅将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 = ActorCriticOperator(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，这都适用。

示例

>>> import torch
>>> from torch import nn
>>> from torchrl.data.tensor_specs import BoundedTensorSpec
>>> 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 = BoundedTensorSpec(-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，并且无需任何 tensordict 相关的原语即可使用。在这种情况下，预期的关键字参数为：["action", "sample_log_prob", "next_reward", "next_done", "next_terminated"] + actor 和值网络的 in_keys。返回值是按以下顺序排列的张量元组：["loss_objective"] + ["entropy", "loss_entropy"]（如果设置了 entropy_bonus）+ "loss_critic"（如果 critic_coef 不为 None）。还可以使用 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 BoundedTensorSpec
>>> 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 = BoundedTensorSpec(-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()

forward(tensordict: TensorDictBase) → TensorDictBase[source]¶

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

然后，将损失拆分为其组件可用于训练器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。
返回值:: 一个新的不包含批次维度的 tensordict，包含各种损失标量，这些标量将被命名为“loss*”。这些损失必须使用此名称返回，因为它们将在反向传播之前由训练器读取。

property functional¶

模块是否为函数式。

除非专门设计为非函数式，否则所有损失都是函数式。

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

价值函数构造器。

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，允许以后进行改进。
**hyperparams – 用于价值函数的超参数。如果未提供，则将使用 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