ReinforceLoss

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

强化损失模块。

在“连接主义强化学习的简单统计梯度跟随 sota 实现”中提出，Williams，1992 https://doi.org/10.1007/BF00992696

参数：

• actor_network (ProbabilisticTensorDictSequential) – 策略算子。

• critic_network (ValueOperator) – 值算子。

关键字参数：

• delay_value (bool, 可选) – 如果 True，则需要目标网络来计算评论家。默认为 False。与 functional=False 不兼容。

• loss_critic_type (str) – 用于值差异的损失函数。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) ] 预计写入优势的输入 tensordict 键。默认为 "advantage"。

• value_target_key (str) – [已弃用，请改用 .set_keys(value_target_key=value_target_key) ] 预计写入目标状态值的输入 tensordict 键。默认为 "value_target"。

• separate_losses (bool, 可选) – 如果 True，则策略和评论家之间的共享参数将仅在策略损失上训练。默认为 False，即梯度会传播到策略和评论家损失的共享参数。

• functional (bool, 可选) – 模块是否应该被函数化。函数化允许元强化学习等功能，但使使用分布式模型 (DDP、FSDP 等) 变得不可能，并且会带来一点成本。默认为 True。

• reduction (str, 可选) – 指定要应用于输出的约简："none" | "mean" | "sum"。"none"：不会应用任何约简，"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，它将用于计算值预测相对于输入 tensordict 值估计的剪切版本，并使用它来计算值损失。剪切的目的是限制极端值预测的影响，帮助稳定训练并防止出现大型更新。但是，如果值估计是由当前版本的价值估计器完成的，那么它将没有任何影响。默认为 None。

示例

>>> import torch
>>> from torch import nn
>>> from torchrl.data.tensor_specs import UnboundedContinuousTensorSpec
>>> 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=UnboundedContinuousTensorSpec(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)

此类也与非 tensordict 基于的模块兼容，并且可以在不诉诸任何 tensordict 相关原语的情况下使用。在这种情况下，预期关键字参数为：["action", "next_reward", "next_done", "next_terminated"] + 演员和评论家网络的 in_keys 返回值是张量元组，顺序如下：["loss_actor", "loss_value"]。

示例

>>> import torch
>>> from torch import nn
>>> from torchrl.data.tensor_specs import UnboundedContinuousTensorSpec
>>> 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=UnboundedContinuousTensorSpec(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()

forward(tensordict: TensorDictBase) → TensorDictBase

它被设计为读取输入 TensorDict 并返回另一个包含名为“loss*”的损失键的 tensordict。

然后可以将损失拆分成它的组成部分，以便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，它们将被命名为“loss*”。至关重要的是，损失必须以这个名称返回，因为它们将在反向传播之前由训练器读取。

property functional

模块是否函数化。

除非它被专门设计为非函数化，否则所有损失都是函数化。

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

值函数构造函数。

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，指示要使用的值函数。如果没有提供，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，允许将来进行细化。

• **hyperparams – 用于值函数的超参数。如果没有提供，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)