ReinforceLoss

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

Reinforce 损失模块。

论文 "Simple statistical gradient-following sota-implementations for connectionist reinforcement learning" 中提出，Williams, 1992 https://doi.org/10.1007/BF00992696

参数:

• actor_network (ProbabilisticTensorDictSequential) – 策略运算符。

• critic_network (ValueOperator) – 值运算符。

关键字参数:

• delay_value (bool, optional) – 如果为 True，则 critic 需要目标网络。默认为 False。与 functional=False 不兼容。

• loss_critic_type (str) – 用于计算值差异的损失函数。可以是 “l1”、“l2” 或 “smooth_l1” 之一。默认为 "smooth_l1"。

• advantage_key (str) – [已弃用，请改用 .set_keys(advantage_key=advantage_key) 代替] 输入 tensordict 中预期写入 advantage 的键。默认为 "advantage"。

• value_target_key (str) – [已弃用，请改用 .set_keys(value_target_key=value_target_key) 代替] 输入 tensordict 中预期写入目标状态值的键。默认为 "value_target"。

• separate_losses (bool, optional) – 如果为 True，则策略和 critic 之间的共享参数将只通过策略损失进行训练。默认为 False，即梯度会同时传播到策略损失和 critic 损失的共享参数。

• functional (bool, optional) – 模块是否应该被功能化。功能化允许使用 meta-RL 等特性，但无法使用分布式模型 (DDP, FSDP 等)，并带来少量开销。默认为 True。

• reduction (str, optional) – 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"。

• clip_value (float, optional) – 如果提供，将用于根据输入 tensordict 中的价值估计计算一个裁剪版本的价值预测，并用其计算价值损失。裁剪的目的是限制极端价值预测的影响，有助于稳定训练并防止大幅更新。但是，如果价值估计是由当前版本的价值估计器完成的，则此参数无效。默认为 None。

示例

>>> import torch
>>> from torch import nn
>>> from torchrl.data.tensor_specs import Unbounded
>>> 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.reinforce import ReinforceLoss
>>> from tensordict import TensorDict
>>> n_obs, n_act = 3, 5
>>> value_net = ValueOperator(nn.Linear(n_obs, 1), in_keys=["observation"])
>>> net = nn.Sequential(nn.Linear(n_obs, 2 * n_act), NormalParamExtractor())
>>> module = SafeModule(net, in_keys=["observation"], out_keys=["loc", "scale"])
>>> actor_net = ProbabilisticActor(
...     module,
...     distribution_class=TanhNormal,
...     return_log_prob=True,
...     in_keys=["loc", "scale"],
...     spec=Unbounded(n_act),)
>>> loss = ReinforceLoss(actor_net, value_net)
>>> batch = 2
>>> data = TensorDict({
...     "observation": torch.randn(batch, n_obs),
...     "next": {
...         "observation": torch.randn(batch, n_obs),
...         "reward": torch.randn(batch, 1),
...         "done": torch.zeros(batch, 1, dtype=torch.bool),
...         "terminated": torch.zeros(batch, 1, dtype=torch.bool),
...     },
...     "action": torch.randn(batch, n_act),
... }, [batch])
>>> loss(data)
TensorDict(
    fields={
        loss_actor: 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)

此类也兼容非 tensordict 的模块，无需依赖任何与 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：actor 和 critic 网络的 ["action", "next_reward", "next_done", "next_terminated"] + in_keys。返回值为以下顺序的张量元组：["loss_actor", "loss_value"]。

示例

>>> import torch
>>> from torch import nn
>>> from torchrl.data.tensor_specs import Unbounded
>>> 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.reinforce import ReinforceLoss
>>> n_obs, n_act = 3, 5
>>> value_net = ValueOperator(nn.Linear(n_obs, 1), in_keys=["observation"])
>>> net = nn.Sequential(nn.Linear(n_obs, 2 * n_act), NormalParamExtractor())
>>> module = SafeModule(net, in_keys=["observation"], out_keys=["loc", "scale"])
>>> actor_net = ProbabilisticActor(
...     module,
...     distribution_class=TanhNormal,
...     return_log_prob=True,
...     in_keys=["loc", "scale"],
...     spec=Unbounded(n_act),)
>>> loss = ReinforceLoss(actor_net, value_net)
>>> batch = 2
>>> loss_actor, loss_value = loss(
...     observation=torch.randn(batch, n_obs),
...     next_observation=torch.randn(batch, n_obs),
...     next_reward=torch.randn(batch, 1),
...     next_done=torch.zeros(batch, 1, dtype=torch.bool),
...     next_terminated=torch.zeros(batch, 1, dtype=torch.bool),
...     action=torch.randn(batch, n_act),)
>>> loss_actor.backward()

default_keys

alias of _AcceptedKeys

forward(tensordict: TensorDictBase = None) → TensorDictBase

它旨在读取一个输入 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分解为各个分量的方式，在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:

一个新的不含批量维度的 tensordict，其中包含各种损失标量，这些标量将被命名为“loss*”。损失必须以此名称返回，因为训练器在反向传播之前会读取它们，这一点至关重要。

property functional

模块是否是功能性的。

除非特别设计为非功能性，否则所有损失函数都是功能性的。

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

价值函数构造器。

如果需要非默认的价值函数，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，将使用存储在 default_value_estimator 属性中的默认值。结果的价值估计器类将注册到 self.value_type 中，以便将来进行细化。

• **hyperparams – 用于价值函数的超参数。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)