TD3Loss

class torchrl.objectives.TD3Loss(*args, **kwargs)

TD3 损失模块。

参数:

• actor_network (TensorDictModule) – 要训练的 actor

• qvalue_network (TensorDictModule) –

  一个单独的 Q 值网络或 Q 值网络的列表。如果提供 qvalue_network 的单个实例，它将被复制 num_qvalue_nets 次。如果传入模块列表，它们的参数将被堆叠，除非它们共享相同的身份（在这种情况下，原始参数将被扩展）。

  警告

  当传入参数列表时，它__不会__与策略参数进行比较，所有参数将被视为未绑定。

关键字参数:

• bounds (float 元组, 可选) – 动作空间的边界。与 action_spec 互斥。必须提供此参数或 action_spec。

• action_spec (TensorSpec, 可选) – 动作 spec。与 bounds 互斥。必须提供此参数或 bounds。

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

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

• noise_clip (float, 可选) – 采样目标策略动作噪声的剪裁范围值。默认值为 0.5。

• priority_key (str, 可选) – 用于写优先回放缓冲区优先值键。默认值为 “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。默认值为 "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。默认值为 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。默认值为 True。

• spec (TensorSpec, 可选) – 动作 tensor spec。如果未提供且目标熵为 "auto"，则将从 actor 中获取。

• separate_losses (bool, 可选) – 如果为 True，策略和 critic 之间的共享参数将仅在策略损失上进行训练。默认为 False，即策略和 critic 损失的梯度都会传播到共享参数。

• reduction (str, 可选) – 指定应用于输出的归约方式: "none" | "mean" | "sum"。"none": 不应用归约。"mean": 输出的总和将被输出中的元素数量除以。"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 import TD3Loss
>>> 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 = TD3Loss(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={
        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([]), device=cpu, dtype=torch.float32, is_shared=False),
        pred_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)

此类也兼容基于非 tensordict 的模块，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 qvalue 网络的 in_keys。返回值是一个 tensor 元组，顺序如下: ["loss_actor", "loss_qvalue", "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 import TD3Loss
>>> 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 = TD3Loss(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()

default_keys

_AcceptedKeys 的别名

forward(tensordict: TensorDictBase = None) → TensorDictBase

它旨在读取输入的 TensorDict 并返回另一个包含以“loss*”命名的损失键的 tensordict。

然后训练器可以使用将损失分解为各个组件的方式来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 – 包含计算损失所需值的输入 tensordict。

返回:

一个新的不含批处理维度的 tensordict，包含各种以“loss*”命名的损失标量。损失必须以此名称返回，因为训练器会在反向传播之前读取它们，这一点至关重要。

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，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，将使用存储在 default_value_estimator 属性中的默认值函数。结果值估计器类将注册到 self.value_type 中，以便将来进行精炼。

• **hyperparams – 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)