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，则它们的 parameters 将被堆叠，除非它们共享相同的 identity（在这种情况下，原始 parameter 将被扩展）。

  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。

关键字参数：

• bounds (浮点数元组, 可选) – 动作空间的边界。与 action_spec 互斥。必须提供此参数或 action_spec 之一。

• action_spec (TensorSpec, 可选) – 动作规范。与 bounds 互斥。必须提供此参数或 bounds 之一。

• num_qvalue_nets (int, 可选) – 要训练的 Q 值网络的数量。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) – 用于为优先回放缓冲区写入优先级值的键。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 网络分离。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 值网络分离。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"，它将从 Actor 中检索。

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

• reduction (str, 可选) – 指定要应用于输出的归约："none" | "mean" | "sum"。 "none"：不应用归约，"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"。

示例

>>> import torch
>>> from torch import nn
>>> from torchrl.data import BoundedTensorSpec
>>> 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 = BoundedTensorSpec(-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 tensordict 基于的模块兼容，并且可以在不使用任何 tensordict 相关的原语的情况下使用。在这种情况下，期望的关键字参数为：["action", "next_reward", "next_done", "next_terminated"] + Actor 和 Q 值网络的 in_keys 返回值是以以下顺序排列的张量元组：["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 BoundedTensorSpec
>>> from torchrl.modules.tensordict_module.actors import Actor, ValueOperator
>>> from torchrl.objectives.td3 import TD3Loss
>>> n_act, n_obs = 4, 3
>>> spec = BoundedTensorSpec(-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) → 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，可以将损失拆分为其组成部分，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 – 一个输入 tensordict，其中包含计算损失所需的 value。

返回值：

一个新的没有 batch 维度的 tensordict，包含各种损失标量，这些标量将被命名为“loss*”。这些损失必须使用此名称返回，因为它们将在反向传播之前由训练器读取。

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。

参数：

• value_type (ValueEstimators) – 用于指示要使用的价值函数的 ValueEstimators 枚举类型。如果未提供，则将使用 default_value_estimator 属性中存储的默认值。生成的价值估计器类将在 self.value_type 中注册，允许将来进行改进。

• **hyperparams** – 用于价值函数的超参数。如果未提供，则将使用 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)