TD3BCLoss

class torchrl.objectives.TD3BCLoss(*args, **kwargs)

TD3+BC 损失模块。

在论文 “离线强化学习的极简方法” <https://arxiv.org/pdf/2106.06860> 中提出的 TD3+BC 损失的实现。

此类包含两个损失函数，它们在 forward 方法中按顺序执行

1. qvalue_loss()

2. actor_loss()

如果愿意，用户也可以按相同的顺序直接调用这些函数。

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，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），否则它们的参数将被堆叠。

  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未绑定的。

关键字参数:

• bounds (float 元组, 可选) –

  动作空间的边界。

  与 action_spec 互斥。必须提供此项或 action_spec。

  提供。

• action_spec (TensorSpec, 可选) – 动作规范。与 bounds 互斥。必须提供此项或 bounds。

• num_qvalue_nets (int, 可选) – 要训练的 Q 值网络数量。默认为 2。

• policy_noise (float, 可选) – 目标策略动作噪声的标准差。默认为 0.2。

• noise_clip (float, 可选) – 采样的目标策略动作噪声的裁剪范围值。默认为 0.5。

• alpha (float, 可选) – 行为克隆损失的权重。默认为 2.5。

• priority_key (str, 可选) – 写入优先级回放缓冲区的优先级值的键。默认为 “td_error”。

• 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"。

• delay_actor (bool, 可选) – 是否将目标 actor 网络与用于数据收集的 actor 网络分开。默认为 True。

• 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。默认为 True。

• 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。

• 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，梯度会传播到策略和评论家损失的共享参数。

• reduction (str, 可选) – 指定应用于输出的缩减："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，"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 Actor, ProbabilisticActor, ValueOperator
>>> from torchrl.modules.tensordict_module.common import SafeModule
>>> from torchrl.objectives.td3_bc import TD3BCLoss
>>> from tensordict import TensorDict
>>> n_act, n_obs = 4, 3
>>> spec = Bounded(-torch.ones(n_act), torch.ones(n_act), (n_act,))
>>> module = nn.Linear(n_obs, n_act)
>>> actor = Actor(
...     module=module,
...     spec=spec)
>>> 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 = TD3BCLoss(actor, qvalue, action_spec=actor.spec)
>>> 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={
        bc_loss: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        lmbd: 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_qvalue: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        next_state_value: Tensor(shape=torch.Size([2]), device=cpu, dtype=torch.float32, is_shared=False),
        pred_value: Tensor(shape=torch.Size([2, 2]), device=cpu, dtype=torch.float32, is_shared=False),
        state_action_value_actor: Tensor(shape=torch.Size([2, 2]), device=cpu, dtype=torch.float32, is_shared=False),
        target_value: Tensor(shape=torch.Size([2]), device=cpu, dtype=torch.float32, is_shared=False)},
    batch_size=torch.Size([]),
    device=None,
    is_shared=False)

此类也与非 tensordict 基于模块兼容，并且可以在不使用任何与 tensordict 相关的原语的情况下使用。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", "bc_loss, "lmbd", "pred_value", "state_action_value_actor", "next_state_value", "target_value",]。

示例

>>> import torch
>>> from torch import nn
>>> from torchrl.data import Bounded
>>> from torchrl.modules.tensordict_module.actors import Actor, ValueOperator
>>> from torchrl.objectives.td3_bc import TD3BCLoss
>>> n_act, n_obs = 4, 3
>>> spec = Bounded(-torch.ones(n_act), torch.ones(n_act), (n_act,))
>>> module = nn.Linear(n_obs, n_act)
>>> actor = Actor(
...     module=module,
...     spec=spec)
>>> 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 = TD3BCLoss(actor, qvalue, action_spec=actor.spec)
>>> _ = loss.select_out_keys("loss_actor", "loss_qvalue")
>>> batch = [2, ]
>>> action = spec.rand(batch)
>>> 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()

actor_loss(tensordict) → Tuple[Tensor, dict]

计算 actor 损失。

actor 损失应在 qvalue_loss() 之后计算，通常会延迟 1-3 次评论家更新。

参数:

tensordict (TensorDictBase) – 损失的输入数据。检查类的 in_keys 以查看计算此项所需的字段。

返回：一个可微分张量，其中包含 actor 损失以及包含分离的 “bc_loss” 的元数据字典

用于组合 actor 损失，以及用于计算 lambda 值的分离的 “state_action_value_actor” 和 lambda 值 “lmbd” 本身。

forward(tensordict: TensorDictBase = None) → TensorDictBase

forward 方法。

依次计算 actor_loss()、qvalue_loss()，并返回包含这些值的 tensordict。要查看输入 tensordict 中期望哪些键以及输出中期望哪些键，请检查类的 “in_keys” 和 “out_keys” 属性。

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它。

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，则将使用存储在 default_value_estimator 属性中的默认值。生成的值估计器类将在 self.value_type 中注册，允许将来的改进。

• **hyperparams – 用于值函数的超参数。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)

qvalue_loss(tensordict) → Tuple[Tensor, dict]

计算 q 值损失。

q 值损失应在 actor_loss() 之前计算。

参数:

tensordict (TensorDictBase) – 损失的输入数据。检查类的 in_keys 以查看计算此项所需的字段。

返回：一个可微分张量，其中包含 q 值损失以及包含以下内容的元数据字典

分离的 “td_error”，用于优先级采样、分离的 “next_state_value”、分离的 “pred_value” 和分离的 “target_value”。