REDQLoss

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

REDQ 损失模块。

REDQ（随机集成双 Q 学习：无需模型即可快速学习 https://openreview.net/pdf?id=AY8zfZm0tDd）概括了使用 Q 值函数集成来训练类似 SAC 算法的思想。

参数:

• actor_network (TensorDictModule) – 要训练的 actor 网络

• qvalue_network (TensorDictModule) –

  单个 Q 值网络或 Q 值网络列表。如果提供 qvalue_network 的单个实例，它将被复制 num_qvalue_nets 次。如果传递模块列表，它们的参数将被堆叠，除非它们共享相同的标识（在这种情况下，原始参数将被扩展）。

  警告

  当传递参数列表时，它将__不会__与策略参数进行比较，并且所有参数都将被视为不绑定的。

关键字参数:

• num_qvalue_nets (int, 可选) – 要训练的 Q 值网络数量。默认为 10。

• sub_sample_len (int, 可选) – 用于评估下一个状态值的 Q 值网络子样本数量。默认为 2。

• loss_function (str, 可选) – 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, 可选) – 初始熵乘数。默认为 1.0。

• min_alpha (float, 可选) – alpha 的最小值。默认为 0.1。

• max_alpha (float, 可选) – alpha 的最大值。默认为 10.0。

• action_spec (TensorSpec, 可选) – 动作张量规范。如果未提供且目标熵为 "auto"，则将从 actor 中检索。

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

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

• delay_qvalue (bool, 可选) – 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。

• gSDE (bool, 可选) – 了解是否使用 gSDE 对于创建随机噪声变量是必要的。默认为 False。

• priority_key (str, 可选) – [已弃用，请改用 .set_keys()] 用于写入优先级回放缓冲区的优先级值的键。默认为 "td_error"。

• separate_losses (bool, 可选) – 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，梯度将传播到策略和评论家损失的共享参数。

• reduction (str, 可选) – 指定应用于输出的归约方式："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量，"sum"：输出将被求和。默认值："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.redq import REDQLoss
>>> 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 ValueClass(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))
>>> module = ValueClass()
>>> qvalue = ValueOperator(
...     module=module,
...     in_keys=['observation', 'action'])
>>> loss = REDQLoss(actor, qvalue)
>>> 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={
        action_log_prob_actor: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        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),
        next.state_value: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        state_action_value_actor: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        target_value: 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，并且可以在不依赖任何 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", "next_reward", "next_done", "next_terminated"] + actor 和 qvalue 网络的 in_keys。返回值是张量元组，顺序如下：["loss_actor", "loss_qvalue", "loss_alpha", "alpha", "entropy", "state_action_value_actor", "action_log_prob_actor", "next.state_value", "target_value",]。

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.redq import REDQLoss
>>> 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 ValueClass(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))
>>> module = ValueClass()
>>> qvalue = ValueOperator(
...     module=module,
...     in_keys=['observation', 'action'])
>>> loss = REDQLoss(actor, qvalue)
>>> 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_reward=torch.randn(*batch, 1),
...         next_observation=torch.randn(*batch, n_obs))
>>> loss_actor.backward()

forward(tensordict: TensorDictBase = None) → TensorDictBase

它旨在读取输入 TensorDict 并返回另一个 tensordict，其中损失键名为 “loss*”。

然后，训练器可以使用将其损失分解为组件的方式，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 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*”。损失以这种名称返回至关重要，因为训练器将在反向传播之前读取它们。

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

价值函数构造器。

如果需要非默认值函数，则必须使用此方法构建它。

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。结果价值估计器类将在 self.value_type 中注册，允许将来进行改进。

• **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)