ReinforceLoss

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

Reinforce 损失模块。

在 “Simple statistical gradient-following sota-implementations for connectionist reinforcement learning”, Williams, 1992 中提出 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 True，则 critic 需要目标网络。默认为 False。与 functional=False 不兼容。

• loss_critic_type (str) – 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)] 输入 tensordict 键，期望在此处写入优势。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 键，期望在此处写入目标状态值。默认为 "value_target"。

• separate_losses (bool, optional) – 如果 True，则策略和 critic 之间的共享参数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 critic 损失的共享参数。

• functional (bool, optional) – 模块是否应被函数化。函数化允许诸如元 RL 之类的功能，但使得无法使用分布式模型 (DDP、FSDP、…) 并且会带来少量成本。默认为 True。

• reduction (str, optional) – 指定应用于输出的缩减方式："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"：输出将被求和。默认值："mean"。

• clip_value (float, optional) – 如果提供，它将用于计算相对于输入 tensordict 值估计的裁剪版本的值预测，并使用它来计算值损失。裁剪的目的是限制极端值预测的影响，帮助稳定训练并防止大的更新。但是，如果值估计是由当前版本的值估计器完成的，则它将不起作用。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)

此类也与非 tensordict 的模块兼容，并且可以在不使用任何 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 critic 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 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()

forward(tensordict: TensorDictBase = None) → TensorDictBase

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

将损失分解为组件然后可以被训练器用于记录整个训练过程中的各种损失值。输出 tensordict 中存在的其他标量也将被记录。

参数:

tensordict – 一个输入 tensordict，包含计算损失所需的值。

返回:

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*”。损失以这个名称返回至关重要，因为它们将在反向传播之前被训练器读取。

property functional

模块是否是函数式的。

除非它被专门设计为非函数式的，否则所有损失都是函数式的。

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。生成的价值估计器类将在 self.value_type 中注册，允许未来的改进。

• **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)