TorchRL 目标：编写 DDPG 损失函数

作者: Vincent Moens

概述

TorchRL 将 RL 算法的训练分解为多个部分，这些部分将在你的训练脚本中组装：环境、数据收集和存储、模型以及最终的损失函数。

TorchRL 损失函数（或“目标函数”）是有状态的对象，其中包含可训练的参数（策略模型和价值模型）。本教程将指导你完成从头开始使用 TorchRL 编写损失函数的步骤。

为此，我们将重点关注 DDPG，这是一种相对简单的算法。 深度确定性策略梯度 (DDPG) 是一种简单的连续控制算法。它包括学习动作-观察对的参数化价值函数，然后学习一种策略，该策略输出最大化此价值函数的动作（给定特定的观察）。

你将学到什么

• 如何编写损失模块并自定义其价值估计器；

• 如何在 TorchRL 中构建环境，包括变换（例如，数据归一化）和并行执行；

• 如何设计策略和价值网络；

• 如何从你的环境中高效收集数据并将其存储在回放缓冲区中；

• 如何在你的回放缓冲区中存储轨迹（而不是转换）；

• 如何评估你的模型。

先决条件

本教程假定你已完成 PPO 教程，该教程概述了 TorchRL 组件和依赖项，例如 tensordict.TensorDict 和 tensordict.nn.TensorDictModules，尽管它应该足够透明，即使不深入理解这些类也能理解。

注意

我们的目标不是给出该算法的 SOTA 实现，而是提供 TorchRL 损失函数实现以及在该算法上下文中要使用的库功能的高级说明。

导入和设置

%%bash
pip3 install torchrl mujoco glfw

import torch
import tqdm

如果可用，我们将在 CUDA 上执行策略

is_fork = multiprocessing.get_start_method() == "fork"
device = (
    torch.device(0)
    if torch.cuda.is_available() and not is_fork
    else torch.device("cpu")
)
collector_device = torch.device("cpu")  # Change the device to ``cuda`` to use CUDA

TorchRL LossModule

TorchRL 提供了一系列损失函数，可在你的训练脚本中使用。目的是使损失函数易于重用/交换，并具有简单的签名。

TorchRL 损失函数的主要特点是

• 它们是有状态的对象：它们包含可训练参数的副本，以便 loss_module.parameters() 提供训练算法所需的一切。

• 它们遵循 TensorDict 约定：torch.nn.Module.forward() 方法将接收一个 TensorDict 作为输入，其中包含返回损失值的所有必要信息。

  >>> data = replay_buffer.sample()
  >>> loss_dict = loss_module(data)
  

• 它们输出一个 tensordict.TensorDict 实例，损失值写在 "loss_<smth>" 下，其中 smth 是描述损失的字符串。TensorDict 中的其他键可能是训练期间要记录的有用指标。

  注意

  我们返回独立损失的原因是让用户为不同的参数集使用不同的优化器。损失的求和可以简单地通过以下方式完成

  >>> loss_val = sum(loss for key, loss in loss_dict.items() if key.startswith("loss_"))
  

__init__ 方法

所有损失的父类是 LossModule。与库的许多其他组件一样，它的 forward() 方法期望将从经验回放缓冲区或任何类似数据结构中采样的 tensordict.TensorDict 实例作为输入。使用此格式可以跨模态重用模块，或者在模型需要读取多个条目的复杂设置中重用模块。换句话说，它允许我们编写一个损失模块，该模块忽略传递给它的数据类型，而专注于运行损失函数的基本步骤以及仅这些步骤。

为了使本教程尽可能具有启发性，我们将独立显示类的每个方法，并在稍后阶段填充该类。

让我们从 __init__() 方法开始。DDPG 旨在通过一个简单的策略来解决控制任务：训练策略以输出最大化价值网络预测的价值的动作。因此，我们的损失模块需要在其构造函数中接收两个网络：actor 网络和 value 网络。我们希望这两个网络都是 TensorDict 兼容的对象，例如 tensordict.nn.TensorDictModule。我们的损失函数将需要计算目标值并使价值网络适应此目标值，并生成一个动作并使策略适应以使其价值估计最大化。

LossModule.__init__() 方法的关键步骤是调用 convert_to_functional()。此方法将从模块中提取参数并将其转换为功能模块。严格来说，这不是必需的，并且可以完全不使用它来编写所有损失函数。但是，我们鼓励使用它，原因如下。

TorchRL 这样做是因为 RL 算法通常使用不同的参数集（称为“可训练”参数和“目标”参数）执行相同的模型。“可训练”参数是优化器需要拟合的参数。“目标”参数通常是前者的副本，具有一些时间延迟（绝对延迟或通过移动平均值稀释）。这些目标参数用于计算与下一个观察相关的价值。对价值模型使用一组与当前配置不完全匹配的目标参数的一个优点是，它们为正在计算的价值函数提供了悲观的界限。请注意下面的 create_target_params 关键字参数：此参数告诉 convert_to_functional() 方法在损失模块中创建一组目标参数，用于目标价值计算。如果将其设置为 False（例如，参见 actor 网络），则 target_actor_network_params 属性仍然可以访问，但这只会返回 actor 参数的 分离 版本。

稍后，我们将看到如何在 TorchRL 中更新目标参数。

from tensordict.nn import TensorDictModule, TensorDictSequential


def _init(
    self,
    actor_network: TensorDictModule,
    value_network: TensorDictModule,
) -> None:
    super(type(self), self).__init__()

    self.convert_to_functional(
        actor_network,
        "actor_network",
        create_target_params=True,
    )
    self.convert_to_functional(
        value_network,
        "value_network",
        create_target_params=True,
        compare_against=list(actor_network.parameters()),
    )

    self.actor_in_keys = actor_network.in_keys

    # Since the value we'll be using is based on the actor and value network,
    # we put them together in a single actor-critic container.
    actor_critic = ActorCriticWrapper(actor_network, value_network)
    self.actor_critic = actor_critic
    self.loss_function = "l2"

价值估计器损失方法

在许多 RL 算法中，价值网络（或 Q 价值网络）是基于经验价值估计进行训练的。这可以是自举的（TD(0)，低方差，高偏差），这意味着目标价值是使用下一个奖励获得的，没有其他任何东西，或者可以获得蒙特卡罗估计（TD(1)），在这种情况下，将使用即将到来的奖励的整个序列（高方差，低偏差）。也可以使用中间估计器 (TD(\(\lambda\))) 来折衷偏差和方差。TorchRL 通过 ValueEstimators 枚举类，可以轻松地使用其中一个或另一个估计器，该类包含指向已实现的所有价值估计器的指针。让我们在此处定义默认价值函数。我们将采用最简单的版本 (TD(0))，并在稍后展示如何更改它。

from torchrl.objectives.utils import ValueEstimators

default_value_estimator = ValueEstimators.TD0

我们还需要向 DDPG 提供有关如何根据用户查询构建价值估计器的说明。根据提供的估计器，我们将构建相应的模块以在训练时使用

from torchrl.objectives.utils import default_value_kwargs
from torchrl.objectives.value import TD0Estimator, TD1Estimator, TDLambdaEstimator


def make_value_estimator(self, value_type: ValueEstimators, **hyperparams):
    hp = dict(default_value_kwargs(value_type))
    if hasattr(self, "gamma"):
        hp["gamma"] = self.gamma
    hp.update(hyperparams)
    value_key = "state_action_value"
    if value_type == ValueEstimators.TD1:
        self._value_estimator = TD1Estimator(value_network=self.actor_critic, **hp)
    elif value_type == ValueEstimators.TD0:
        self._value_estimator = TD0Estimator(value_network=self.actor_critic, **hp)
    elif value_type == ValueEstimators.GAE:
        raise NotImplementedError(
            f"Value type {value_type} it not implemented for loss {type(self)}."
        )
    elif value_type == ValueEstimators.TDLambda:
        self._value_estimator = TDLambdaEstimator(value_network=self.actor_critic, **hp)
    else:
        raise NotImplementedError(f"Unknown value type {value_type}")
    self._value_estimator.set_keys(value=value_key)

make_value_estimator 方法可以调用，但不是必须调用：如果不调用，LossModule 将使用其默认估计器查询此方法。

Actor 损失方法

RL 算法的核心部分是 actor 的训练损失。在 DDPG 的情况下，此函数非常简单：我们只需要计算与使用策略计算的动作相关的价值，并优化 actor 权重以最大化此价值。

在计算此价值时，我们必须确保将价值参数从图中取出，否则 actor 损失和价值损失将混合在一起。为此，可以使用 hold_out_params() 函数。

def _loss_actor(
    self,
    tensordict,
) -> torch.Tensor:
    td_copy = tensordict.select(*self.actor_in_keys)
    # Get an action from the actor network: since we made it functional, we need to pass the params
    with self.actor_network_params.to_module(self.actor_network):
        td_copy = self.actor_network(td_copy)
    # get the value associated with that action
    with self.value_network_params.detach().to_module(self.value_network):
        td_copy = self.value_network(td_copy)
    return -td_copy.get("state_action_value")

价值损失方法

我们现在需要优化我们的价值网络参数。为此，我们将依赖于我们类的价值估计器

from torchrl.objectives.utils import distance_loss


def _loss_value(
    self,
    tensordict,
):
    td_copy = tensordict.clone()

    # V(s, a)
    with self.value_network_params.to_module(self.value_network):
        self.value_network(td_copy)
    pred_val = td_copy.get("state_action_value").squeeze(-1)

    # we manually reconstruct the parameters of the actor-critic, where the first
    # set of parameters belongs to the actor and the second to the value function.
    target_params = TensorDict(
        {
            "module": {
                "0": self.target_actor_network_params,
                "1": self.target_value_network_params,
            }
        },
        batch_size=self.target_actor_network_params.batch_size,
        device=self.target_actor_network_params.device,
    )
    with target_params.to_module(self.actor_critic):
        target_value = self.value_estimator.value_estimate(tensordict).squeeze(-1)

    # Computes the value loss: L2, L1 or smooth L1 depending on `self.loss_function`
    loss_value = distance_loss(pred_val, target_value, loss_function=self.loss_function)
    td_error = (pred_val - target_value).pow(2)

    return loss_value, td_error, pred_val, target_value

将事物放在一起进行前向调用

唯一缺少的部分是 forward 方法，它将价值损失和 actor 损失粘合在一起，收集成本值并将它们写入传递给用户的 TensorDict 中。

from tensordict import TensorDict, TensorDictBase


def _forward(self, input_tensordict: TensorDictBase) -> TensorDict:
    loss_value, td_error, pred_val, target_value = self.loss_value(
        input_tensordict,
    )
    td_error = td_error.detach()
    td_error = td_error.unsqueeze(input_tensordict.ndimension())
    if input_tensordict.device is not None:
        td_error = td_error.to(input_tensordict.device)
    input_tensordict.set(
        "td_error",
        td_error,
        inplace=True,
    )
    loss_actor = self.loss_actor(input_tensordict)
    return TensorDict(
        source={
            "loss_actor": loss_actor.mean(),
            "loss_value": loss_value.mean(),
            "pred_value": pred_val.mean().detach(),
            "target_value": target_value.mean().detach(),
            "pred_value_max": pred_val.max().detach(),
            "target_value_max": target_value.max().detach(),
        },
        batch_size=[],
    )


from torchrl.objectives import LossModule


class DDPGLoss(LossModule):
    default_value_estimator = default_value_estimator
    make_value_estimator = make_value_estimator

    __init__ = _init
    forward = _forward
    loss_value = _loss_value
    loss_actor = _loss_actor

现在我们有了损失函数，我们可以使用它来训练策略以解决控制任务。

环境

在大多数算法中，首先需要处理的是环境的构建，因为它决定了训练脚本的其余部分。

对于此示例，我们将使用 "cheetah" 任务。目标是使半猎豹尽可能快地奔跑。

在 TorchRL 中，可以依靠 dm_control 或 gym 创建这样的任务

env = GymEnv("HalfCheetah-v4")

或

env = DMControlEnv("cheetah", "run")

默认情况下，这些环境禁用渲染。从状态进行训练通常比从图像进行训练更容易。为了简化操作，我们只关注从状态中学习。要将像素传递给 tensordicts，这些 tensordicts 由 env.step() 收集，只需将 from_pixels=True 参数传递给构造函数

env = GymEnv("HalfCheetah-v4", from_pixels=True, pixels_only=True)

我们编写一个 make_env() 辅助函数，该函数将创建一个环境，其中包含上面考虑的两个后端之一（dm-control 或 gym）。

from torchrl.envs.libs.dm_control import DMControlEnv
from torchrl.envs.libs.gym import GymEnv

env_library = None
env_name = None


def make_env(from_pixels=False):
    """Create a base ``env``."""
    global env_library
    global env_name

    if backend == "dm_control":
        env_name = "cheetah"
        env_task = "run"
        env_args = (env_name, env_task)
        env_library = DMControlEnv
    elif backend == "gym":
        env_name = "HalfCheetah-v4"
        env_args = (env_name,)
        env_library = GymEnv
    else:
        raise NotImplementedError

    env_kwargs = {
        "device": device,
        "from_pixels": from_pixels,
        "pixels_only": from_pixels,
        "frame_skip": 2,
    }
    env = env_library(*env_args, **env_kwargs)
    return env

变换

现在我们有了一个基本环境，我们可能希望修改其表示形式，使其更适合策略。在 TorchRL 中，变换被附加到专用 torchr.envs.TransformedEnv 类中的基本环境。

• 在 DDPG 中，通常使用一些启发式值来重新调整奖励。在此示例中，我们将奖励乘以 5。

• 如果我们使用 dm_control，那么在使用双精度数字的模拟器和我们可能使用单精度数字的脚本之间构建接口也很重要。此转换是双向的：在调用 env.step() 时，我们的动作将需要以双精度表示，并且输出将需要转换为单精度。DoubleToFloat 变换完全可以做到这一点：in_keys 列表指的是需要从双精度转换为浮点数的键，而 in_keys_inv 指的是那些在传递给环境之前需要转换为双精度的键。

• 我们使用 CatTensors 变换将状态键连接在一起。

• 最后，我们还保留了归一化状态的可能性：我们将稍后处理计算归一化常数。

from torchrl.envs import (
    CatTensors,
    DoubleToFloat,
    EnvCreator,
    InitTracker,
    ObservationNorm,
    ParallelEnv,
    RewardScaling,
    StepCounter,
    TransformedEnv,
)


def make_transformed_env(
    env,
):
    """Apply transforms to the ``env`` (such as reward scaling and state normalization)."""

    env = TransformedEnv(env)

    # we append transforms one by one, although we might as well create the
    # transformed environment using the `env = TransformedEnv(base_env, transforms)`
    # syntax.
    env.append_transform(RewardScaling(loc=0.0, scale=reward_scaling))

    # We concatenate all states into a single "observation_vector"
    # even if there is a single tensor, it'll be renamed in "observation_vector".
    # This facilitates the downstream operations as we know the name of the
    # output tensor.
    # In some environments (not half-cheetah), there may be more than one
    # observation vector: in this case this code snippet will concatenate them
    # all.
    selected_keys = list(env.observation_spec.keys())
    out_key = "observation_vector"
    env.append_transform(CatTensors(in_keys=selected_keys, out_key=out_key))

    # we normalize the states, but for now let's just instantiate a stateless
    # version of the transform
    env.append_transform(ObservationNorm(in_keys=[out_key], standard_normal=True))

    env.append_transform(DoubleToFloat())

    env.append_transform(StepCounter(max_frames_per_traj))

    # We need a marker for the start of trajectories for our Ornstein-Uhlenbeck (OU)
    # exploration:
    env.append_transform(InitTracker())

    return env

并行执行

以下辅助函数允许我们并行运行环境。并行运行环境可以显着加快收集吞吐量。当使用变换环境时，我们需要选择是为每个环境单独执行变换，还是集中数据并批量变换它。这两种方法都易于编写

env = ParallelEnv(
    lambda: TransformedEnv(GymEnv("HalfCheetah-v4"), transforms),
    num_workers=4
)
env = TransformedEnv(
    ParallelEnv(lambda: GymEnv("HalfCheetah-v4"), num_workers=4),
    transforms
)

为了利用 PyTorch 的向量化功能，我们采用第一种方法

def parallel_env_constructor(
    env_per_collector,
    transform_state_dict,
):
    if env_per_collector == 1:

        def make_t_env():
            env = make_transformed_env(make_env())
            env.transform[2].init_stats(3)
            env.transform[2].loc.copy_(transform_state_dict["loc"])
            env.transform[2].scale.copy_(transform_state_dict["scale"])
            return env

        env_creator = EnvCreator(make_t_env)
        return env_creator

    parallel_env = ParallelEnv(
        num_workers=env_per_collector,
        create_env_fn=EnvCreator(lambda: make_env()),
        create_env_kwargs=None,
        pin_memory=False,
    )
    env = make_transformed_env(parallel_env)
    # we call `init_stats` for a limited number of steps, just to instantiate
    # the lazy buffers.
    env.transform[2].init_stats(3, cat_dim=1, reduce_dim=[0, 1])
    env.transform[2].load_state_dict(transform_state_dict)
    return env


# The backend can be ``gym`` or ``dm_control``
backend = "gym"

注意

frame_skip 将多个步骤与单个动作批量处理。如果 > 1，则需要调整其他帧计数（例如，frames_per_batch、total_frames），以便在实验中收集一致的总帧数。这很重要，因为提高帧跳过但保持总帧数不变可能看起来像作弊：所有事情都比较，帧跳过为 2 的 10M 元素数据集和帧跳过为 1 的数据集实际上与环境的交互比率为 2:1！简而言之，在处理帧跳过时，应谨慎对待训练脚本的帧计数，因为这可能会导致训练策略之间的比较有偏差。

缩放奖励有助于我们控制信号幅度，从而实现更有效的学习。

reward_scaling = 5.0

我们还定义了何时截断轨迹。一千步（如果 frame-skip = 2，则为 500 步）是用于猎豹任务的合适数字

max_frames_per_traj = 500

观察的归一化

为了计算归一化统计信息，我们在环境中运行任意数量的随机步骤，并计算收集的观察的平均值和标准偏差。ObservationNorm.init_stats() 方法可用于此目的。为了获得摘要统计信息，我们创建一个虚拟环境并运行给定数量的步骤，在给定数量的步骤中收集数据并计算其摘要统计信息。

def get_env_stats():
    """Gets the stats of an environment."""
    proof_env = make_transformed_env(make_env())
    t = proof_env.transform[2]
    t.init_stats(init_env_steps)
    transform_state_dict = t.state_dict()
    proof_env.close()
    return transform_state_dict

归一化统计信息

用于统计信息计算的随机步骤数，使用 ObservationNorm

init_env_steps = 5000

transform_state_dict = get_env_stats()

每个数据收集器中的环境数

env_per_collector = 4

我们传递先前计算的统计信息以归一化我们环境的输出

parallel_env = parallel_env_constructor(
    env_per_collector=env_per_collector,
    transform_state_dict=transform_state_dict,
)


from torchrl.data import Composite

构建模型

我们现在转向模型的设置。正如我们所看到的，DDPG 需要一个价值网络（经过训练以估计状态-动作对的价值）和一个参数化 actor（学习如何选择最大化此价值的动作）。

回想一下，构建 TorchRL 模块需要两个步骤

• 编写将用作网络的 torch.nn.Module，

• 将网络包装在 tensordict.nn.TensorDictModule 中，其中数据流通过指定输入和输出键来处理。

在更复杂的场景中，也可以使用 tensordict.nn.TensorDictSequential。

Q 价值网络包装在 ValueOperator 中，该 ValueOperator 自动将 out_keys 设置为 q 价值网络的 "state_action_value 和其他价值网络的 state_value。

TorchRL 提供了原始论文中提出的 DDPG 网络的内置版本。这些可以在 DdpgMlpActor 和 DdpgMlpQNet 下找到。

由于我们使用惰性模块，因此有必要在能够将策略从设备移动到设备并完成其他操作之前实现惰性模块。因此，最好使用少量数据运行模块。为此，我们从环境规范生成虚假数据。

from torchrl.modules import (
    ActorCriticWrapper,
    DdpgMlpActor,
    DdpgMlpQNet,
    OrnsteinUhlenbeckProcessModule,
    ProbabilisticActor,
    TanhDelta,
    ValueOperator,
)


def make_ddpg_actor(
    transform_state_dict,
    device="cpu",
):
    proof_environment = make_transformed_env(make_env())
    proof_environment.transform[2].init_stats(3)
    proof_environment.transform[2].load_state_dict(transform_state_dict)

    out_features = proof_environment.action_spec.shape[-1]

    actor_net = DdpgMlpActor(
        action_dim=out_features,
    )

    in_keys = ["observation_vector"]
    out_keys = ["param"]

    actor = TensorDictModule(
        actor_net,
        in_keys=in_keys,
        out_keys=out_keys,
    )

    actor = ProbabilisticActor(
        actor,
        distribution_class=TanhDelta,
        in_keys=["param"],
        spec=Composite(action=proof_environment.action_spec),
    ).to(device)

    q_net = DdpgMlpQNet()

    in_keys = in_keys + ["action"]
    qnet = ValueOperator(
        in_keys=in_keys,
        module=q_net,
    ).to(device)

    # initialize lazy modules
    qnet(actor(proof_environment.reset().to(device)))
    return actor, qnet


actor, qnet = make_ddpg_actor(
    transform_state_dict=transform_state_dict,
    device=device,
)

探索

策略被传递到 OrnsteinUhlenbeckProcessModule 探索模块中，如原始论文中所建议的那样。让我们定义 OU 噪声达到其最小值之前的帧数

annealing_frames = 1_000_000

actor_model_explore = TensorDictSequential(
    actor,
    OrnsteinUhlenbeckProcessModule(
        spec=actor.spec.clone(),
        annealing_num_steps=annealing_frames,
    ).to(device),
)
if device == torch.device("cpu"):
    actor_model_explore.share_memory()

数据收集器

TorchRL 提供了专门的类来帮助你通过在环境中执行策略来收集数据。这些“数据收集器”迭代地计算在给定时间要执行的动作，然后在环境中执行一个步骤并在需要时重置它。数据收集器旨在帮助开发人员严格控制每批数据的帧数、此收集的（异）步性质以及分配给数据收集的资源（例如 GPU、工作线程数等）。

在这里，我们将使用 SyncDataCollector，这是一个简单的单进程数据收集器。TorchRL 提供了其他收集器，例如 MultiaSyncDataCollector，它以异步方式执行 rollout（例如，将在优化策略时收集数据，从而将训练和数据收集分离）。

要指定的参数是

• 环境工厂或环境，

• 策略，

• 在收集器被视为空之前，总帧数，

• 每个轨迹的最大帧数（对于非终止环境很有用，例如 dm_control 环境）。

  注意

  传递给收集器的 max_frames_per_traj 将具有以下效果：使用用于推理的环境注册新的 StepCounter 变换。我们可以手动实现相同的结果，就像我们在本脚本中所做的那样。

还应传递

• 每个收集批次的帧数，

• 独立于策略执行的随机步骤数，

• 用于策略执行的设备

• 用于在数据传递到主进程之前存储数据的设备。

我们在训练期间将使用的总帧数应约为 1M。

total_frames = 10_000  # 1_000_000

收集器的每次外部循环迭代返回的帧数等于每个子轨迹的长度乘以每个收集器中并行运行的环境数。

换句话说，我们期望来自收集器的批次具有形状 [env_per_collector, traj_len]，其中 traj_len=frames_per_batch/env_per_collector

traj_len = 200
frames_per_batch = env_per_collector * traj_len
init_random_frames = 5000
num_collectors = 2

from torchrl.collectors import SyncDataCollector
from torchrl.envs import ExplorationType

collector = SyncDataCollector(
    parallel_env,
    policy=actor_model_explore,
    total_frames=total_frames,
    frames_per_batch=frames_per_batch,
    init_random_frames=init_random_frames,
    reset_at_each_iter=False,
    split_trajs=False,
    device=collector_device,
    exploration_type=ExplorationType.RANDOM,
)

评估器：构建你的记录器对象

由于训练数据是使用某些探索策略获得的，因此需要在确定性模式下评估我们算法的真实性能。我们使用专用类 Recorder 来执行此操作，该类以给定频率在环境中执行策略并返回从这些模拟中获得的一些统计信息。

以下辅助函数构建此对象

from torchrl.trainers import Recorder


def make_recorder(actor_model_explore, transform_state_dict, record_interval):
    base_env = make_env()
    environment = make_transformed_env(base_env)
    environment.transform[2].init_stats(
        3
    )  # must be instantiated to load the state dict
    environment.transform[2].load_state_dict(transform_state_dict)

    recorder_obj = Recorder(
        record_frames=1000,
        policy_exploration=actor_model_explore,
        environment=environment,
        exploration_type=ExplorationType.DETERMINISTIC,
        record_interval=record_interval,
    )
    return recorder_obj

我们将每收集 10 个批次记录一次性能

record_interval = 10

recorder = make_recorder(
    actor_model_explore, transform_state_dict, record_interval=record_interval
)

from torchrl.data.replay_buffers import (
    LazyMemmapStorage,
    PrioritizedSampler,
    RandomSampler,
    TensorDictReplayBuffer,
)

回放缓冲区

回放缓冲区有两种类型：优先级回放缓冲区（其中使用一些错误信号来为某些项目提供比其他项目更高的采样可能性）和常规循环经验回放。

TorchRL 回放缓冲区是可组合的：可以选择存储、采样和写入策略。也可以使用内存映射数组在物理内存上存储张量。以下函数负责使用所需的超参数创建回放缓冲区

from torchrl.envs import RandomCropTensorDict


def make_replay_buffer(buffer_size, batch_size, random_crop_len, prefetch=3, prb=False):
    if prb:
        sampler = PrioritizedSampler(
            max_capacity=buffer_size,
            alpha=0.7,
            beta=0.5,
        )
    else:
        sampler = RandomSampler()
    replay_buffer = TensorDictReplayBuffer(
        storage=LazyMemmapStorage(
            buffer_size,
            scratch_dir=buffer_scratch_dir,
        ),
        batch_size=batch_size,
        sampler=sampler,
        pin_memory=False,
        prefetch=prefetch,
        transform=RandomCropTensorDict(random_crop_len, sample_dim=1),
    )
    return replay_buffer

我们将回放缓冲区存储在磁盘上的临时目录中

import tempfile

tmpdir = tempfile.TemporaryDirectory()
buffer_scratch_dir = tmpdir.name

回放缓冲区存储和批次大小

TorchRL 回放缓冲区沿第一维度计算元素数量。由于我们将向缓冲区馈送轨迹，因此我们需要通过将缓冲区大小除以数据收集器产生的子轨迹的长度来调整缓冲区大小。关于批次大小，我们的采样策略将包括在选择长度为 random_crop_len=25 的子轨迹之前，采样长度为 traj_len=200 的轨迹，将在其上计算损失。此策略平衡了存储一定长度的整个轨迹的选择与为我们的损失函数提供具有足够异质性的样本的需求。下图显示了来自收集器的数据流，该收集器在每个批次中获取 8 帧，其中 2 个环境并行运行，将它们馈送到包含 1000 个轨迹的回放缓冲区，并采样每个 2 个时间步长的子轨迹。

让我们从缓冲区中存储的帧数开始

def ceil_div(x, y):
    return -x // (-y)


buffer_size = 1_000_000
buffer_size = ceil_div(buffer_size, traj_len)

默认情况下禁用优先级回放缓冲区

prb = False

我们还需要定义我们将对收集的每批数据执行多少次更新。这被称为更新到数据或 UTD 比率

update_to_data = 64

我们将以长度为 25 的轨迹馈送损失函数

random_crop_len = 25

在原始论文中，作者对每个收集的帧执行一次更新，批次大小为 64 个元素。在这里，我们重现相同的比率，但在每次批次收集时实现多次更新。我们调整批次大小以实现相同的每帧更新比率

batch_size = ceil_div(64 * frames_per_batch, update_to_data * random_crop_len)

replay_buffer = make_replay_buffer(
    buffer_size=buffer_size,
    batch_size=batch_size,
    random_crop_len=random_crop_len,
    prefetch=3,
    prb=prb,
)

损失模块构建

我们使用我们刚刚创建的 actor 和 qnet 构建我们的损失模块。因为我们有目标参数要更新，所以我们 _必须_ 创建一个目标网络更新器。

gamma = 0.99
lmbda = 0.9
tau = 0.001  # Decay factor for the target network

loss_module = DDPGLoss(actor, qnet)

让我们使用 TD(lambda) 估计器！

loss_module.make_value_estimator(ValueEstimators.TDLambda, gamma=gamma, lmbda=lmbda)

注意

离线策略通常指示 TD(0) 估计器。在这里，我们使用 TD(\(\lambda\)) 估计器，由于遵循特定状态的轨迹是使用过时的策略收集的，因此会引入一些偏差。此技巧与可以在数据收集期间使用的多步技巧一样，是我们通常发现运行良好但实际上会在回报估计中引入一些偏差的“黑客”的替代版本。

目标网络更新器

目标网络是离策略 RL 算法的关键组成部分。借助 HardUpdate 和 SoftUpdate 类，可以轻松更新目标网络参数。 它们通过损失模块构建，并且通过在训练循环中的适当位置调用 updater.step() 来实现更新。

from torchrl.objectives.utils import SoftUpdate

target_net_updater = SoftUpdate(loss_module, eps=1 - tau)

优化器

最后，我们将为策略网络和价值网络使用 Adam 优化器

from torch import optim

optimizer_actor = optim.Adam(
    loss_module.actor_network_params.values(True, True), lr=1e-4, weight_decay=0.0
)
optimizer_value = optim.Adam(
    loss_module.value_network_params.values(True, True), lr=1e-3, weight_decay=1e-2
)
total_collection_steps = total_frames // frames_per_batch

开始训练策略

既然我们已经构建了所有需要的模块，训练循环现在非常简单明了。

rewards = []
rewards_eval = []

# Main loop

collected_frames = 0
pbar = tqdm.tqdm(total=total_frames)
r0 = None
for i, tensordict in enumerate(collector):

    # update weights of the inference policy
    collector.update_policy_weights_()

    if r0 is None:
        r0 = tensordict["next", "reward"].mean().item()
    pbar.update(tensordict.numel())

    # extend the replay buffer with the new data
    current_frames = tensordict.numel()
    collected_frames += current_frames
    replay_buffer.extend(tensordict.cpu())

    # optimization steps
    if collected_frames >= init_random_frames:
        for _ in range(update_to_data):
            # sample from replay buffer
            sampled_tensordict = replay_buffer.sample().to(device)

            # Compute loss
            loss_dict = loss_module(sampled_tensordict)

            # optimize
            loss_dict["loss_actor"].backward()
            gn1 = torch.nn.utils.clip_grad_norm_(
                loss_module.actor_network_params.values(True, True), 10.0
            )
            optimizer_actor.step()
            optimizer_actor.zero_grad()

            loss_dict["loss_value"].backward()
            gn2 = torch.nn.utils.clip_grad_norm_(
                loss_module.value_network_params.values(True, True), 10.0
            )
            optimizer_value.step()
            optimizer_value.zero_grad()

            gn = (gn1**2 + gn2**2) ** 0.5

            # update priority
            if prb:
                replay_buffer.update_tensordict_priority(sampled_tensordict)
            # update target network
            target_net_updater.step()

    rewards.append(
        (
            i,
            tensordict["next", "reward"].mean().item(),
        )
    )
    td_record = recorder(None)
    if td_record is not None:
        rewards_eval.append((i, td_record["r_evaluation"].item()))
    if len(rewards_eval) and collected_frames >= init_random_frames:
        target_value = loss_dict["target_value"].item()
        loss_value = loss_dict["loss_value"].item()
        loss_actor = loss_dict["loss_actor"].item()
        rn = sampled_tensordict["next", "reward"].mean().item()
        rs = sampled_tensordict["next", "reward"].std().item()
        pbar.set_description(
            f"reward: {rewards[-1][1]: 4.2f} (r0 = {r0: 4.2f}), "
            f"reward eval: reward: {rewards_eval[-1][1]: 4.2f}, "
            f"reward normalized={rn :4.2f}/{rs :4.2f}, "
            f"grad norm={gn: 4.2f}, "
            f"loss_value={loss_value: 4.2f}, "
            f"loss_actor={loss_actor: 4.2f}, "
            f"target value: {target_value: 4.2f}"
        )

    # update the exploration strategy
    actor_model_explore[1].step(current_frames)

collector.shutdown()
del collector

  0%|          | 0/10000 [00:00<?, ?it/s]
  8%|▊         | 800/10000 [00:00<00:03, 2880.70it/s]
 16%|█▌        | 1600/10000 [00:01<00:09, 872.84it/s]
 24%|██▍       | 2400/10000 [00:01<00:06, 1257.62it/s]
 32%|███▏      | 3200/10000 [00:02<00:04, 1587.49it/s]
 40%|████      | 4000/10000 [00:02<00:03, 1856.09it/s]
 48%|████▊     | 4800/10000 [00:02<00:02, 2073.04it/s]
 56%|█████▌    | 5600/10000 [00:03<00:01, 2237.00it/s]
reward: -2.34 (r0 = -1.62), reward eval: reward: -0.00, reward normalized=-2.01/6.42, grad norm= 79.50, loss_value= 372.62, loss_actor= 12.92, target value: -13.97:  56%|█████▌    | 5600/10000 [00:04<00:01, 2237.00it/s]
reward: -2.34 (r0 = -1.62), reward eval: reward: -0.00, reward normalized=-2.01/6.42, grad norm= 79.50, loss_value= 372.62, loss_actor= 12.92, target value: -13.97:  64%|██████▍   | 6400/10000 [00:05<00:04, 864.27it/s]
reward: -2.26 (r0 = -1.62), reward eval: reward: -0.00, reward normalized=-2.58/5.56, grad norm= 154.12, loss_value= 228.92, loss_actor= 13.34, target value: -17.21:  64%|██████▍   | 6400/10000 [00:06<00:04, 864.27it/s]
reward: -2.26 (r0 = -1.62), reward eval: reward: -0.00, reward normalized=-2.58/5.56, grad norm= 154.12, loss_value= 228.92, loss_actor= 13.34, target value: -17.21:  72%|███████▏  | 7200/10000 [00:07<00:04, 612.71it/s]
reward: -4.77 (r0 = -1.62), reward eval: reward: -0.00, reward normalized=-1.90/6.40, grad norm= 131.08, loss_value= 344.77, loss_actor= 13.81, target value: -13.14:  72%|███████▏  | 7200/10000 [00:09<00:04, 612.71it/s]
reward: -4.77 (r0 = -1.62), reward eval: reward: -0.00, reward normalized=-1.90/6.40, grad norm= 131.08, loss_value= 344.77, loss_actor= 13.81, target value: -13.14:  80%|████████  | 8000/10000 [00:09<00:03, 512.64it/s]
reward: -4.79 (r0 = -1.62), reward eval: reward: -0.00, reward normalized=-2.79/5.54, grad norm= 76.23, loss_value= 215.53, loss_actor= 18.52, target value: -18.66:  80%|████████  | 8000/10000 [00:11<00:03, 512.64it/s]
reward: -4.79 (r0 = -1.62), reward eval: reward: -0.00, reward normalized=-2.79/5.54, grad norm= 76.23, loss_value= 215.53, loss_actor= 18.52, target value: -18.66:  88%|████████▊ | 8800/10000 [00:11<00:02, 461.42it/s]
reward: -5.21 (r0 = -1.62), reward eval: reward: -5.98, reward normalized=-2.79/5.03, grad norm= 99.13, loss_value= 200.90, loss_actor= 20.27, target value: -19.92:  88%|████████▊ | 8800/10000 [00:14<00:02, 461.42it/s]
reward: -5.21 (r0 = -1.62), reward eval: reward: -5.98, reward normalized=-2.79/5.03, grad norm= 99.13, loss_value= 200.90, loss_actor= 20.27, target value: -19.92:  96%|█████████▌| 9600/10000 [00:14<00:01, 370.60it/s]
reward: -4.69 (r0 = -1.62), reward eval: reward: -5.98, reward normalized=-3.77/4.74, grad norm= 158.99, loss_value= 172.62, loss_actor= 24.22, target value: -26.04:  96%|█████████▌| 9600/10000 [00:16<00:01, 370.60it/s]
reward: -4.69 (r0 = -1.62), reward eval: reward: -5.98, reward normalized=-3.77/4.74, grad norm= 158.99, loss_value= 172.62, loss_actor= 24.22, target value: -26.04: : 10400it [00:17, 340.85it/s]
reward: -4.96 (r0 = -1.62), reward eval: reward: -5.98, reward normalized=-3.26/4.77, grad norm= 330.53, loss_value= 227.84, loss_actor= 21.39, target value: -23.79: : 10400it [00:19, 340.85it/s]

实验结果

我们绘制了训练期间平均奖励的简单图表。我们可以观察到我们的策略学习得很好，能够解决这个任务。

注意

正如上面已经提到的，为了获得更合理的性能，请使用更大的 total_frames 值，例如 1M。

from matplotlib import pyplot as plt

plt.figure()
plt.plot(*zip(*rewards), label="training")
plt.plot(*zip(*rewards_eval), label="eval")
plt.legend()
plt.xlabel("iter")
plt.ylabel("reward")
plt.tight_layout()

结论

在本教程中，我们学习了如何在 TorchRL 中使用 DDPG 的具体示例编写损失模块。

主要的要点是

• 如何使用 LossModule 类来编写新的损失组件；

• 如何使用（或不使用）目标网络，以及如何更新其参数；

• 如何创建与损失模块关联的优化器。

下一步

为了进一步迭代这个损失模块，我们可以考虑

• 使用 @dispatch (参见 [Feature] Distpatch IQL loss module。)

• 允许灵活的 TensorDict 键。

估计内存使用量： 330 MB