TorchRL 目标：编写 DDPG 损失函数

**作者**：Vincent Moens

概述

TorchRL 将强化学习算法的训练分解成多个部分，这些部分将在您的训练脚本中组装：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”）是包含可训练参数（策略和价值模型）的状态对象。本教程将指导您完成从头开始使用 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。它包括为动作-观察对学习一个参数化的价值函数，然后学习一个策略，该策略输出在给定特定观察的情况下最大化此价值函数的动作。

您将学到什么

• 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，包括转换（例如，数据归一化）和并行执行；

• 如何设计策略和价值网络；

• 如何有效地从您的环境中收集数据并将其存储在回放缓冲区中；

• 如何在回放缓冲区中存储轨迹（而不是转换）；

• 如何评估您的模型。

先决条件

本教程假设您已完成PPO 教程，该教程概述了 TorchRL 组件和依赖项，例如tensordict.TensorDict和tensordict.nn.TensorDictModules，尽管即使不深入了解这些类，它也应该足够清晰易懂。

注意

我们并不旨在提供该算法的 SOTA 实现，而是提供 TorchRL 损失函数实现以及在此算法上下文中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，我们将在线程执行策略。

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 提供了一系列可在训练脚本中使用的损失函数。目的是拥有易于重用/交换且具有简单签名的损失函数。

TorchRL 损失函数的主要特征是

• 它们是状态对象：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所需的所有信息。

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

• 它们输出一个tensordict.TensorDict 实例，其中损失值写入 "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记录的有用指标。

  注意

  我们返回独立损失的原因是为了让用户例如对不同的参数集使用不同的优化器。损失函数的求和可以通过以下方式简单地完成：

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

__init__ 方法

所有损失函数的父类是LossModule。与库中的许多其他组件一样，其forward() 方法期望将从经验回放缓冲区或任何类似的数据结构中采样的tensordict.TensorDict 实例作为输入。使用此格式可以跨模态或在模型需要读取多个条目等复杂设置中重用该模块。换句话说，它允许我们编写一个损失模块，该模块不了解正在提供给它的数据类型，并且只专注于运行损失函数的基本步骤。

为了使本教程尽可能具有指导意义，我们将独立显示类的每个方法，并在稍后阶段填充类。

让我们从__init__() 方法开始。DDPG 旨在使用简单的策略解决控制任务：训练一个策略以输出最大化价值网络预测值的动作。因此，我们的损失模块需要在其构造函数中接收两个网络：一个 actor 网络和一个 value 网络。我们期望这两个网络都是与 TensorDict 兼容的对象，例如tensordict.nn.TensorDictModule。我们的损失函数需要计算目标值并使价值网络拟合该值，并生成一个动作并使策略拟合，以便最大化其价值估计。

__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，并且可以在没有它的情况下完美地编写所有损失函数。但是，我们鼓励使用它，原因如下。

TorchRL 这样做的原因是，强化学习算法经常使用带有不同参数集的相同模型，这些参数集称为“可训练”参数和“目标”参数。“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，具有一定的时间延迟（绝对延迟或通过移动平均值进行稀释）。这些目标参数用于计算与下一个观察相关的价值。使用与当前配置不完全匹配的目标参数集来构建价值模型的一个优点是，它们提供了对正在计算的价值函数的悲观估计。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个目标参数集，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 属性仍然可访问，但这只会返回 Actor 参数的**分离**版本。

稍后，我们将了解如何在 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

在许多强化学习算法中，价值网络（或 Q 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，而无需其他任何信息，或者可以获得蒙特卡罗估计（TD(1)），在这种情况下将使用整个后续奖励序列（高方差，低偏差）。还可以使用中间估计器（TD(\(\lambda\))）来权衡偏差和方差。TorchRL 使得通过 ValueEstimators 枚举类轻松使用其中一个估计器，该类包含指向所有已实现的价值估计器的指针。让我们在这里定义默认价值函数。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

我们还需要根据用户查询，向 DDPG 提供一些关于如何构建价值估计器的指令。根据提供的估计器，我们将构建相应的模块，以便在训练时使用。

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 方法可以被调用，但不是必须的：如果不是，LossModule 将使用其默认估计器查询此方法。

Actor 损失方法

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

在计算此价值时，必须确保将价值参数从计算图中分离出来，否则 Actor 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

现在我们需要优化价值网络的参数。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

在正向调用中整合

唯一缺少的部分是正向方法，它将把价值和 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，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，可以通过依赖 dm_control 或 gym 来创建此类任务。

env = GymEnv("HalfCheetah-v4")

或者

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。为了简单起见，我们专注于仅从状态学习。要将像素传递到 env.step() 收集的 tensordicts 中，只需将 from_pixels=True 参数传递给构造函数即可。

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

我们编写了一个 make_env() 辅助函数，它将使用上面考虑的两种后端之一（dm-control 或 gym）创建环境。

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

转换

现在我们有了基本环境，我们可能希望修改其表示形式，使其更适合策略。在 TorchRL 中，转换附加到专门的 torchr.envs.TransformedEnv 类中的基本环境中。

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

• 如果我们使用的是 dm_control，那么在使用双精度数的模拟器和可能使用单精度数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，我们的动作需要用双精度数表示，并且输出需要转换为单精度数。DoubleToFloat 转换正是这样做的：in_keys 列表指的是需要从双精度转换为单精度的键，而 in_keys_inv 指的是在传递给环境之前需要转换为双精度的键。

• 我们使用 CatTensors 转换将状态键连接在一起。

• 最后，我们还保留了标准化状态的可能性：我们将在稍后处理计算标准化常数。

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。当使用转换后的环境时，我们需要选择是为每个环境单独执行转换，还是集中数据并批量转换。这两种方法都很容易编码。

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 的矢量化功能，我们采用了第一种方法。

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一起批处理。如果 > 1，则其他帧计数（例如，frames_per_batch、total_frames）需要进行调整，以确保跨实验收集的帧总数一致。这很重要，因为提高帧跳跃但保持帧总数不变可能看起来像作弊：在所有事物都相同的情况下，使用帧跳跃 2 收集的 1000 万个元素的数据集与使用帧跳跃 1 收集的数据集相比，与环境交互的比率实际上为 2:1！简而言之，在处理帧跳跃时，应谨慎对待训练脚本的帧计数，因为这可能导致训练策略之间出现有偏差的比较。

缩放奖励有助于我们控制信号幅度，以便更有效地学习。

reward_scaling = 5.0

我们还定义了轨迹何时会被截断。对于猎豹任务，一千步（如果帧跳跃 = 2 则为 500 步）是一个不错的数字。

max_frames_per_traj = 500

观察结果的标准化

为了计算标准化统计数据，我们在环境中运行任意数量的随机步骤，并计算收集到的观察结果的均值和标准差。ObservationNorm.init_stats() 方法可用于此目的。为了获取汇总统计信息，我们创建一个虚拟环境并运行它以获取给定数量的步骤，在给定数量的步骤上收集数据并计算其汇总统计信息。

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

标准化统计数据

使用 ObservationNorm 计算统计数据时使用的随机步骤数量。

init_env_steps = 5000

transform_state_dict = get_env_stats()

每个数据收集器中的环境数量。

env_per_collector = 4

我们将前面计算的统计数据传递给环境的输出进行标准化。

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


from torchrl.data import CompositeSpec

构建模型

现在我们转向模型的设置。正如我们所见，DDPG 需要一个价值网络，训练该网络以估计状态-动作对的价值，以及一个参数化 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，还可以使用 tensordict.nn.TensorDictSequential。

Q 值网络被包装在一个 ValueOperator 中，该操作符会自动将 out_keys 设置为 Q 值网络的 "state_action_value 和其他价值网络的 state_value。

TorchRL 提供了 DDPG 网络的内置版本，与原始论文中介绍的一致。这些网络可以在 DdpgMlpActor 和 DdpgMlpQNet 中找到。

由于我们使用的是延迟模块，因此在能够将策略从一个设备移动到另一个设备并执行其他操作之前，需要将这些延迟模块具体化。因此，最好使用少量数据运行这些模块。为此，我们根据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=CompositeSpec(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

如原始论文中所建议，策略被传递到一个 OrnsteinUhlenbeckProcessModule 探索模块中。让我们定义 OU 噪声达到其最小值之前帧的数量。

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您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步，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个数据批次的帧数，以及此收集的（异步）性质以及分配给数据收集的资源（例如 GPU、工作进程数量等）。

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，在优化策略的同时收集数据，从而将训练和数据收集解耦）。

需要指定的参数为

• 环境工厂或环境，

• 策略，

• 收集器被认为为空之前的总帧数，

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

  注意

  传递给收集器的 max_frames_per_traj 将会对用于推理的环境注册一个新的 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。

还应该传递

• 每个收集批次的帧数，

• 独立于策略执行的随机步数，

• 用于策略执行的设备

• 用于存储数据（在数据传递到主进程之前）的设备。

我们在训练期间使用的总帧数应在 100 万左右。

total_frames = 10_000  # 1_000_000

收集器在外部循环的每次迭代中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量。

换句话说，我们期望收集器的批次具有 [env_per_collector, traj_len] 的形状，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：构建您的记录器对象

由于训练数据是使用某种探索策略获得的，因此需要以确定性模式评估我们算法的真实性能。我们使用一个专门的类 Recorder 来做到这一点，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数据。

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.MEAN,
        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（其中一些错误信号用于赋予某些项目比其他项目更高的采样可能性）和常规的循环经验回放。

TorchRL 回放缓冲区是可组合的：可以选择存储、采样和写入策略。还可以使用内存映射数组将张量存储在物理内存中。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 回放缓冲区计算沿第一个维度元素的数量。由于我们将向缓冲区馈送轨迹，因此需要通过将其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采样长度为 traj_len=200 的轨迹，然后选择长度为 random_crop_len=25 的子轨迹，在此基础上计算损失。此策略平衡了存储特定长度的完整轨迹的选择以及为我们的损失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得 8 个帧，并行运行 2 个环境，并将它们馈送到包含 1000 条轨迹的回放缓冲区，并对每个 2 个时间步的子轨迹进行采样。

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

我们还需要定义每个收集的数据批次将执行多少次更新。这称为更新到数据或 UTD 比率。

update_to_data = 64

我们将使用长度为 25 的轨迹馈送损失。

random_crop_len = 25

在原始论文中，作者为每个收集的帧执行一次包含 64 个元素的批次更新。在这里，我们重现了相同的比率，但在每个批次收集时执行多次更新。我们调整批次大小以实现相同的更新/帧比率。

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

我们使用刚刚创建的 actor 和 qnet 构建损失模块。因为我们有目标参数需要更新，所以_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(λ) 估计器！

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

注意

离策略通常规定使用 TD(0) 估计器。在这里，我们使用 TD(λ) 估计器，这将引入一些偏差，因为遵循某个状态的轨迹是使用过时的策略收集的。这个技巧，以及可以在数据收集期间使用的多步技巧，是我们通常发现在实践中效果很好的“技巧”的替代版本，尽管它们在回报估计中引入了一些偏差。

目标网络更新器

目标网络是离策略强化学习算法的关键部分。由于 HardUpdate 和 SoftUpdate 类的存在，更新目标网络参数变得很容易。它们以损失模块作为参数构建，更新是通过在训练循环的适当位置调用 updater.step() 来实现的。

from torchrl.objectives.utils import SoftUpdate

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

优化器

最后，我们将使用 Adam 优化器来优化策略和价值网络。

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

训练策略

现在我们已经构建了所有需要的模块，训练循环变得非常简单。

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<00:02, 3199.66it/s]
 16%|█▌        | 1600/10000 [00:01<00:09, 898.25it/s]
 24%|██▍       | 2400/10000 [00:01<00:05, 1345.54it/s]
 32%|███▏      | 3200/10000 [00:02<00:03, 1762.35it/s]
 40%|████      | 4000/10000 [00:02<00:02, 2120.81it/s]
 48%|████▊     | 4800/10000 [00:02<00:02, 2423.38it/s]
 56%|█████▌    | 5600/10000 [00:02<00:01, 2658.77it/s]
reward: -3.15 (r0 = -2.30), reward eval: reward: -0.00, reward normalized=-2.90/5.72, grad norm= 202.97, loss_value= 329.16, loss_actor= 15.60, target value: -19.11:  56%|█████▌    | 5600/10000 [00:04<00:01, 2658.77it/s]
reward: -3.15 (r0 = -2.30), reward eval: reward: -0.00, reward normalized=-2.90/5.72, grad norm= 202.97, loss_value= 329.16, loss_actor= 15.60, target value: -19.11:  64%|██████▍   | 6400/10000 [00:04<00:03, 938.14it/s]
reward: -2.41 (r0 = -2.30), reward eval: reward: -0.00, reward normalized=-2.84/5.72, grad norm= 53.00, loss_value= 227.69, loss_actor= 15.97, target value: -18.24:  64%|██████▍   | 6400/10000 [00:06<00:03, 938.14it/s]
reward: -2.41 (r0 = -2.30), reward eval: reward: -0.00, reward normalized=-2.84/5.72, grad norm= 53.00, loss_value= 227.69, loss_actor= 15.97, target value: -18.24:  72%|███████▏  | 7200/10000 [00:06<00:04, 648.25it/s]
reward: -4.84 (r0 = -2.30), reward eval: reward: -0.00, reward normalized=-2.65/5.57, grad norm= 213.48, loss_value= 368.46, loss_actor= 15.28, target value: -17.31:  72%|███████▏  | 7200/10000 [00:08<00:04, 648.25it/s]
reward: -4.84 (r0 = -2.30), reward eval: reward: -0.00, reward normalized=-2.65/5.57, grad norm= 213.48, loss_value= 368.46, loss_actor= 15.28, target value: -17.31:  80%|████████  | 8000/10000 [00:08<00:03, 538.58it/s]
reward: -3.58 (r0 = -2.30), reward eval: reward: -0.00, reward normalized=-2.67/4.93, grad norm= 111.83, loss_value= 154.89, loss_actor= 17.37, target value: -18.25:  80%|████████  | 8000/10000 [00:10<00:03, 538.58it/s]
reward: -3.58 (r0 = -2.30), reward eval: reward: -0.00, reward normalized=-2.67/4.93, grad norm= 111.83, loss_value= 154.89, loss_actor= 17.37, target value: -18.25:  88%|████████▊ | 8800/10000 [00:10<00:02, 482.42it/s]
reward: -4.11 (r0 = -2.30), reward eval: reward: -4.90, reward normalized=-2.93/5.00, grad norm= 68.85, loss_value= 199.46, loss_actor= 20.05, target value: -20.64:  88%|████████▊ | 8800/10000 [00:13<00:02, 482.42it/s]
reward: -4.11 (r0 = -2.30), reward eval: reward: -4.90, reward normalized=-2.93/5.00, grad norm= 68.85, loss_value= 199.46, loss_actor= 20.05, target value: -20.64:  96%|█████████▌| 9600/10000 [00:14<00:01, 380.38it/s]
reward: -3.98 (r0 = -2.30), reward eval: reward: -4.90, reward normalized=-2.94/4.38, grad norm= 71.53, loss_value= 182.95, loss_actor= 19.51, target value: -20.44:  96%|█████████▌| 9600/10000 [00:15<00:01, 380.38it/s]
reward: -3.98 (r0 = -2.30), reward eval: reward: -4.90, reward normalized=-2.94/4.38, grad norm= 71.53, loss_value= 182.95, loss_actor= 19.51, target value: -20.44: : 10400it [00:16, 355.06it/s]
reward: -2.45 (r0 = -2.30), reward eval: reward: -4.90, reward normalized=-2.93/4.90, grad norm= 281.06, loss_value= 243.82, loss_actor= 16.74, target value: -20.73: : 10400it [00:18, 355.06it/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，可以解决该任务。

注意

如上所述，为了获得更合理的性能，请使用更大的 total_frames 值，例如 100 万。

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 中编写损失模块，并以 DDPG 的具体示例进行了说明。

主要收获包括

• 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；

• 如何为损失模块创建优化器。

后续步骤

为了进一步迭代此损失模块，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：324 MB