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) –

  单个 Q 值网络或 Q 值网络列表。如果提供了 qvalue_network 的单个实例，它将被复制 num_qvalue_nets 次。如果传递了模块列表，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），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。

• 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 10。

• 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。

• priority_key (str, 可选) – 写入优先级回放缓冲区优先级值的键。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，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 reduction："none" | "mean" | "sum"。"none"：不应用 reduction，"mean"：输出的总和将除以输出中元素的数量，"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)

此类也与非基于 tensordict 的模块兼容，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，预期的关键字参数为：["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", "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()

forward(tensordict: TensorDictBase = None) → TensorDictBase

它旨在读取输入 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拆分为其组件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 – 具有计算损失所需值的输入 tensordict。

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*”。至关重要的是，损失以这个名称返回，因为它们将在反向传播之前被训练器读取。

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，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，从而允许未来的改进。

• **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)