REDQLoss

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

REDQ 损失模块。

REDQ（随机集成双 Q 学习：在没有模型的情况下快速学习 https://openreview.net/pdf?id=AY8zfZm0tDd）推广了使用 Q 值函数集合来训练类似 SAC 的算法的想法。

参数：

• actor_network (TensorDictModule) – 要训练的 actor

• qvalue_network (TensorDictModule) –

  单个 Q 值网络或 Q 值网络列表。如果提供了一个 qvalue_network 实例，它将被复制 num_qvalue_nets 次。如果传递了一组模块，它们的 parameters 将被堆叠，除非它们具有相同的标识（在这种情况下，原始 parameter 将被扩展）。

  警告

  当传递一个参数列表时，它__不会__与策略参数进行比较，并且所有参数将被视为未绑定。

关键字参数：

• num_qvalue_nets (int, 可选) – 要训练的 Q 值网络的数量。默认值为 10。

• sub_sample_len (int, 可选) – 要进行子采样以评估下一个状态值的 Q 值网络的数量。默认值为 2。

• loss_function (str, 可选) – 用于 Q 值的损失函数。可以是 "smooth_l1"、"l2"、"l1" 之一，默认值为 "smooth_l1"。

• alpha_init (float, 可选) – 初始熵乘数。默认值为 1.0。

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

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

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

• fixed_alpha (bool, 可选) – alpha 是否应该被训练以匹配目标熵。默认值为 False。

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

• delay_qvalue (bool, 可选) – 是否将目标 Q 值网络与用于数据收集的 Q 值网络分开。默认值为 False。

• gSDE (bool, 可选) – 知道是否使用了 gSDE 对于创建随机噪声变量是必要的。默认值为 False。

• priority_key (str, 可选) – [已弃用，请改用 .set_keys()] 用于编写优先级回放缓冲区的优先级值的键。默认值为 "td_error"。

• separate_losses (bool, 可选) – 如果为 True，策略和评论者之间共享的 parameters 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者损失的共享 parameters。

• reduction (str, 可选) – 指定要应用于输出的缩减："none" | "mean" | "sum"。 "none"：不应用任何缩减，"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 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.redq import REDQLoss
>>> from tensordict import TensorDict
>>> n_act, n_obs = 4, 3
>>> spec = BoundedTensorSpec(-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，并且无需使用任何与 tensordict 相关的原语即可使用。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。返回值是以以下顺序排列的张量元组：["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 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.redq import REDQLoss
>>> n_act, n_obs = 4, 3
>>> spec = BoundedTensorSpec(-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) → TensorDictBase

它旨在读取一个输入 TensorDict 并返回另一个带有名为 “loss*” 的损失键的 tensordict。

将损失分成其组成部分，然后可以使用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 – 一个包含计算损失所需的值的输入 tensordict。

返回值：

一个新的没有批处理维度的 tensordict，包含各种损失标量，这些标量将被命名为 “loss*”。必须使用此名称返回损失，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)

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。生成的价值评估器类将注册在 self.value_type 中，允许将来进行改进。

• **hyperparams – 用于值函数的超参数。如果未提供，将使用 default_value_kwargs() 中指示的值。

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)