注意
点击此处下载完整示例代码
摆锤：使用 TorchRL 编写你的环境和变换¶
创建于：2023 年 11 月 9 日 | 最后更新：2025 年 1 月 27 日 | 最后验证：2024 年 11 月 5 日
创建环境（模拟器或物理控制系统的接口）是强化学习和控制工程的组成部分。
TorchRL 提供了一套工具，可在多种情境下实现这一点。本教程演示如何使用 PyTorch 和 TorchRL 从头开始编写一个摆锤模拟器。其灵感来自于 OpenAI-Gym/Farama-Gymnasium 控制库中的 Pendulum-v1 实现。
简单摆锤¶
关键学习内容
如何在 TorchRL 中设计环境：- 编写规范 (输入、观测和奖励)；- 实现行为：设置种子、重置和步进。
变换你的环境输入和输出，以及编写你自己的变换；
如何使用
TensorDict在codebase中传递任意数据结构。在此过程中，我们将接触 TorchRL 的三个关键组成部分
为了让大家了解 TorchRL 的环境能实现什么，我们将设计一个无状态环境。有状态环境会记录遇到的最新物理状态并以此来模拟状态间的转换，而无状态环境则期望在每个步骤中接收当前状态以及采取的动作。TorchRL 支持这两种类型的环境，但无状态环境更具通用性，因此涵盖了 TorchRL 环境 API 的更广泛功能。
对无状态环境进行建模使用户能够完全控制模拟器的输入和输出：可以在任何阶段重置实验或从外部主动修改动态。然而，这假定我们对任务有一定控制权，但这并非总是如此：解决一个我们无法控制当前状态的问题更具挑战性，但应用范围也更广。
无状态环境的另一个优点是它们可以实现转换模拟的批量执行。如果后端和实现允许，代数运算可以在标量、向量或张量上无缝执行。本教程提供了此类示例。
本教程结构如下
我们将首先熟悉环境属性：其形状 (
batch_size)、其方法（主要是step()、reset()和set_seed()），最后是其规范。编写好模拟器后，我们将演示如何在训练中使用变换。
我们将探索 TorchRL API 引出的新途径，包括：变换输入的可能性、模拟的向量化执行以及通过模拟图进行反向传播的可能性。
最后，我们将训练一个简单的策略来解决我们实现的系统。
from collections import defaultdict
from typing import Optional
import numpy as np
import torch
import tqdm
from tensordict import TensorDict, TensorDictBase
from tensordict.nn import TensorDictModule
from torch import nn
from torchrl.data import BoundedTensorSpec, CompositeSpec, UnboundedContinuousTensorSpec
from torchrl.envs import (
CatTensors,
EnvBase,
Transform,
TransformedEnv,
UnsqueezeTransform,
)
from torchrl.envs.transforms.transforms import _apply_to_composite
from torchrl.envs.utils import check_env_specs, step_mdp
DEFAULT_X = np.pi
DEFAULT_Y = 1.0
设计新的环境类时，必须注意四件事
EnvBase._reset()，用于在（可能随机的）初始状态重置模拟器；EnvBase._step()，用于编写状态转移动态；EnvBase._set_seed`()，用于实现种子机制；环境规范。
首先让我们描述一下当前的问题：我们想要模拟一个简单的摆锤，我们可以控制施加在其固定点上的扭矩。我们的目标是将摆锤置于向上位置（根据约定，角位置为 0），并使其在该位置保持静止。为了设计我们的动态系统，我们需要定义两个方程：执行动作（施加扭矩）后的运动方程，以及将构成我们目标函数的奖励方程。
对于运动方程，我们将根据以下公式更新角速度
其中 \(\dot{\theta}\) 是以 rad/sec 为单位的角速度，\(g\) 是重力加速度，\(L\) 是摆锤长度，\(m\) 是其质量，\(\theta\) 是其角位置，\(u\) 是扭矩。然后角位置根据以下公式更新
我们将奖励定义为
当角度接近 0（摆锤在向上位置）、角速度接近 0（无运动）且扭矩也为 0 时，该奖励将被最大化。
编写动作的效果：_step()¶
步进方法是首先要考虑的，因为它将编码我们感兴趣的模拟过程。在 TorchRL 中，EnvBase 类有一个 EnvBase.step() 方法，该方法接收一个 tensordict.TensorDict 实例，其中包含一个 "action" 条目，指示将要采取的动作。
为了方便从该 tensordict 中读取和写入，并确保键与库期望的一致，模拟部分已委托给一个私有抽象方法 _step()，该方法从 tensordict 读取输入数据，并使用输出数据写入一个新的 tensordict。
_step() 方法应执行以下操作
读取输入键（如
"action"），并基于这些键执行模拟；获取观测、完成状态和奖励；
将观测值集以及奖励和完成状态写入新的
TensorDict中相应的条目。
接下来，step() 方法将把 step() 的输出合并到输入 tensordict 中，以强制输入/输出一致性。
通常，对于有状态环境，这看起来像这样
>>> policy(env.reset())
>>> print(tensordict)
TensorDict(
fields={
action: Tensor(shape=torch.Size([1]), device=cpu, dtype=torch.float32, is_shared=False),
done: Tensor(shape=torch.Size([1]), device=cpu, dtype=torch.bool, is_shared=False),
observation: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False)},
batch_size=torch.Size([]),
device=cpu,
is_shared=False)
>>> env.step(tensordict)
>>> print(tensordict)
TensorDict(
fields={
action: Tensor(shape=torch.Size([1]), device=cpu, dtype=torch.float32, is_shared=False),
done: Tensor(shape=torch.Size([1]), device=cpu, dtype=torch.bool, is_shared=False),
next: TensorDict(
fields={
done: Tensor(shape=torch.Size([1]), device=cpu, dtype=torch.bool, is_shared=False),
observation: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
reward: Tensor(shape=torch.Size([1]), device=cpu, dtype=torch.float32, is_shared=False)},
batch_size=torch.Size([]),
device=cpu,
is_shared=False),
observation: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False)},
batch_size=torch.Size([]),
device=cpu,
is_shared=False)
注意，根 tensordict 没有改变，唯一的修改是出现了一个新的 "next" 条目，其中包含新信息。
在摆锤示例中，我们的 _step() 方法将从输入 tensordict 中读取相关条目，并计算施加由 "action" 键编码的力后摆锤的位置和速度。我们将摆锤的新角位置 "new_th" 计算为前一位置 "th" 加上新速度 "new_thdot" 在时间间隔 dt 内的结果。
由于我们的目标是将摆锤向上翻转并保持在该位置静止，因此对于接近目标位置和低速度的情况，我们的 cost (负奖励) 函数值较低。实际上，我们希望避免远离“向上”位置和/或远离 0 的速度。
在我们的示例中，EnvBase._step() 被编码为一个静态方法，因为我们的环境是无状态的。在有状态设置中，需要 self 参数，因为状态需要从环境中读取。
def _step(tensordict):
th, thdot = tensordict["th"], tensordict["thdot"] # th := theta
g_force = tensordict["params", "g"]
mass = tensordict["params", "m"]
length = tensordict["params", "l"]
dt = tensordict["params", "dt"]
u = tensordict["action"].squeeze(-1)
u = u.clamp(-tensordict["params", "max_torque"], tensordict["params", "max_torque"])
costs = angle_normalize(th) ** 2 + 0.1 * thdot**2 + 0.001 * (u**2)
new_thdot = (
thdot
+ (3 * g_force / (2 * length) * th.sin() + 3.0 / (mass * length**2) * u) * dt
)
new_thdot = new_thdot.clamp(
-tensordict["params", "max_speed"], tensordict["params", "max_speed"]
)
new_th = th + new_thdot * dt
reward = -costs.view(*tensordict.shape, 1)
done = torch.zeros_like(reward, dtype=torch.bool)
out = TensorDict(
{
"th": new_th,
"thdot": new_thdot,
"params": tensordict["params"],
"reward": reward,
"done": done,
},
tensordict.shape,
)
return out
def angle_normalize(x):
return ((x + torch.pi) % (2 * torch.pi)) - torch.pi
重置模拟器：_reset()¶
我们需要关注的第二个方法是 _reset() 方法。与 _step() 一样，它应将观测条目和可能的完成状态写入其输出的 tensordict 中（如果省略完成状态，父方法 reset() 会将其填充为 False）。在某些情况下，_reset 方法需要接收来自调用它的函数的命令（例如，在多智能体设置中，我们可能需要指示哪些智能体需要重置）。这就是为什么 _reset() 方法也期望接收一个 tensordict 作为输入，尽管它可以是空的或 None。
父方法 EnvBase.reset() 会像 EnvBase.step() 那样执行一些简单的检查，例如确保输出 tensordict 中返回了 "done" 状态，并且形状与规范中期望的匹配。
对我们来说，唯一需要考虑的重要事情是 EnvBase._reset() 是否包含所有预期的观测。再说一次，由于我们处理的是无状态环境，我们将摆锤的配置在一个名为 "params" 的嵌套 tensordict 中传递。
在此示例中，我们没有传递完成状态，因为这对 _reset() 不是强制的，并且我们的环境是非终止的，所以我们始终期望它为 False。
def _reset(self, tensordict):
if tensordict is None or tensordict.is_empty():
# if no ``tensordict`` is passed, we generate a single set of hyperparameters
# Otherwise, we assume that the input ``tensordict`` contains all the relevant
# parameters to get started.
tensordict = self.gen_params(batch_size=self.batch_size)
high_th = torch.tensor(DEFAULT_X, device=self.device)
high_thdot = torch.tensor(DEFAULT_Y, device=self.device)
low_th = -high_th
low_thdot = -high_thdot
# for non batch-locked environments, the input ``tensordict`` shape dictates the number
# of simulators run simultaneously. In other contexts, the initial
# random state's shape will depend upon the environment batch-size instead.
th = (
torch.rand(tensordict.shape, generator=self.rng, device=self.device)
* (high_th - low_th)
+ low_th
)
thdot = (
torch.rand(tensordict.shape, generator=self.rng, device=self.device)
* (high_thdot - low_thdot)
+ low_thdot
)
out = TensorDict(
{
"th": th,
"thdot": thdot,
"params": tensordict["params"],
},
batch_size=tensordict.shape,
)
return out
环境元数据：env.*_spec¶
规范定义了环境的输入和输出域。规范准确定义运行时将接收到的张量非常重要，因为它们经常用于在多进程和分布式设置中携带有关环境的信息。它们还可以用于实例化延迟定义的神经网络和测试脚本，而无需实际查询环境（例如，对于真实世界的物理系统来说，这可能成本很高）。
在我们的环境中，必须编写以下四种规范
EnvBase.observation_spec：这将是一个CompositeSpec实例，其中每个键都是一个观测（CompositeSpec可以看作是规范的字典）。EnvBase.action_spec：可以是任何类型的规范，但要求它与输入tensordict中的"action"条目相对应；EnvBase.reward_spec：提供关于奖励空间的信息；EnvBase.done_spec：提供关于完成标志空间的信息。
TorchRL 规范组织在两个通用容器中：input_spec，包含步进函数读取的信息规范（分为包含动作的 action_spec 和包含其余所有内容的 state_spec）；以及 output_spec，编码了步进输出的规范（observation_spec、reward_spec 和 done_spec）。一般来说，你不应该直接与 output_spec 和 input_spec 交互，而只与其内容交互：observation_spec、reward_spec、done_spec、action_spec 和 state_spec。原因是这些规范在 output_spec 和 input_spec 内以非平凡的方式组织，并且它们都不应该被直接修改。
换句话说，observation_spec 及相关属性是访问输出和输入规范容器内容的便捷快捷方式。
TorchRL 提供了多种 TensorSpec 子类来编码环境的输入和输出特征。
规范形状¶
环境规范的主要维度必须与环境的批量大小匹配。这样做是为了强制环境的每个组件（包括其变换）都能准确表示预期的输入和输出形状。这在有状态设置中应该被准确编码。
对于非批次锁定的环境，例如我们示例中的环境（见下文），这是不相关的，因为环境的批量大小很可能是空的。
def _make_spec(self, td_params):
# Under the hood, this will populate self.output_spec["observation"]
self.observation_spec = CompositeSpec(
th=BoundedTensorSpec(
low=-torch.pi,
high=torch.pi,
shape=(),
dtype=torch.float32,
),
thdot=BoundedTensorSpec(
low=-td_params["params", "max_speed"],
high=td_params["params", "max_speed"],
shape=(),
dtype=torch.float32,
),
# we need to add the ``params`` to the observation specs, as we want
# to pass it at each step during a rollout
params=make_composite_from_td(td_params["params"]),
shape=(),
)
# since the environment is stateless, we expect the previous output as input.
# For this, ``EnvBase`` expects some state_spec to be available
self.state_spec = self.observation_spec.clone()
# action-spec will be automatically wrapped in input_spec when
# `self.action_spec = spec` will be called supported
self.action_spec = BoundedTensorSpec(
low=-td_params["params", "max_torque"],
high=td_params["params", "max_torque"],
shape=(1,),
dtype=torch.float32,
)
self.reward_spec = UnboundedContinuousTensorSpec(shape=(*td_params.shape, 1))
def make_composite_from_td(td):
# custom function to convert a ``tensordict`` in a similar spec structure
# of unbounded values.
composite = CompositeSpec(
{
key: make_composite_from_td(tensor)
if isinstance(tensor, TensorDictBase)
else UnboundedContinuousTensorSpec(
dtype=tensor.dtype, device=tensor.device, shape=tensor.shape
)
for key, tensor in td.items()
},
shape=td.shape,
)
return composite
可复现实验：设置种子¶
设置环境种子是初始化实验时的常见操作。EnvBase._set_seed() 的唯一目标是设置所包含模拟器的种子。如果可能，此操作不应调用 reset() 或与环境执行交互。父方法 EnvBase.set_seed() 集成了一个机制，允许使用不同的伪随机且可复现的种子为多个环境设置种子。
def _set_seed(self, seed: Optional[int]):
rng = torch.manual_seed(seed)
self.rng = rng
整合各部分：EnvBase 类¶
我们终于可以将各部分整合起来设计我们的环境类了。规范的初始化需要在环境构建过程中执行，因此我们必须确保在 PendulumEnv.__init__() 中调用 _make_spec() 方法。
我们添加一个静态方法 PendulumEnv.gen_params()，它确定性地生成一组用于执行过程的超参数
def gen_params(g=10.0, batch_size=None) -> TensorDictBase:
"""Returns a ``tensordict`` containing the physical parameters such as gravitational force and torque or speed limits."""
if batch_size is None:
batch_size = []
td = TensorDict(
{
"params": TensorDict(
{
"max_speed": 8,
"max_torque": 2.0,
"dt": 0.05,
"g": g,
"m": 1.0,
"l": 1.0,
},
[],
)
},
[],
)
if batch_size:
td = td.expand(batch_size).contiguous()
return td
我们将环境定义为非 batch_locked，方法是将 homonymous 属性设置为 False。这意味着我们不会强制输入 tensordict 的 batch-size 与环境的批量大小匹配。
以下代码将整合我们上面编写的各部分。
class PendulumEnv(EnvBase):
metadata = {
"render_modes": ["human", "rgb_array"],
"render_fps": 30,
}
batch_locked = False
def __init__(self, td_params=None, seed=None, device="cpu"):
if td_params is None:
td_params = self.gen_params()
super().__init__(device=device, batch_size=[])
self._make_spec(td_params)
if seed is None:
seed = torch.empty((), dtype=torch.int64).random_().item()
self.set_seed(seed)
# Helpers: _make_step and gen_params
gen_params = staticmethod(gen_params)
_make_spec = _make_spec
# Mandatory methods: _step, _reset and _set_seed
_reset = _reset
_step = staticmethod(_step)
_set_seed = _set_seed
测试我们的环境¶
TorchRL 提供了一个简单的函数 check_env_specs()，用于检查（变换后的）环境的输入/输出结构是否与其规范规定的结构匹配。让我们试一下
env = PendulumEnv()
check_env_specs(env)
我们可以查看我们的规范，以直观了解环境的签名
print("observation_spec:", env.observation_spec)
print("state_spec:", env.state_spec)
print("reward_spec:", env.reward_spec)
我们也可以执行一些命令来检查输出结构是否符合预期。
td = env.reset()
print("reset tensordict", td)
我们可以运行 env.rand_step() 从 action_spec 域中随机生成一个动作。由于我们的环境是无状态的，必须传递一个包含超参数和当前状态的 tensordict。在有状态环境中，env.rand_step() 也能完美工作。
td = env.rand_step(td)
print("random step tensordict", td)
变换环境¶
为无状态模拟器编写环境变换比有状态模拟器稍微复杂一些：对需要在下一次迭代中读取的输出条目进行变换，需要在下一步调用 meth.step() 之前应用逆变换。这是一个展示 TorchRL 变换所有功能的理想场景！
例如，在以下变换后的环境中，我们对条目 ["th", "thdot"] 进行 unsqueeze 操作，以便能够沿着最后一个维度堆叠它们。我们还将它们作为 in_keys_inv 传递，以便在下一次迭代中作为输入传递时，将它们挤压回原始形状。
env = TransformedEnv(
env,
# ``Unsqueeze`` the observations that we will concatenate
UnsqueezeTransform(
dim=-1,
in_keys=["th", "thdot"],
in_keys_inv=["th", "thdot"],
),
)
编写自定义变换¶
TorchRL 的变换可能无法涵盖环境执行后所有想要执行的操作。编写变换不需要太多精力。与环境设计一样，编写变换也有两个步骤
正确实现动态（正向和逆向）；
调整环境规范。
变换可以在两种设置中使用：独立使用时，它可以作为 Module 使用。它也可以附加到 TransformedEnv 使用。类结构允许在不同上下文中自定义行为。
Transform 骨架可以概括如下
class Transform(nn.Module):
def forward(self, tensordict):
...
def _apply_transform(self, tensordict):
...
def _step(self, tensordict):
...
def _call(self, tensordict):
...
def inv(self, tensordict):
...
def _inv_apply_transform(self, tensordict):
...
有三个入口点（forward()、_step() 和 inv()），它们都接收 tensordict.TensorDict 实例。前两个最终将遍历由 in_keys 指示的键，并对每个键调用 _apply_transform()。结果将写入由 Transform.out_keys 指示的条目中（如果提供了该属性；如果未提供，in_keys 将用变换后的值更新）。如果需要执行逆变换，将执行类似的数据流，但使用 Transform.inv() 和 Transform._inv_apply_transform() 方法，并作用于 in_keys_inv 和 out_keys_inv 键列表。下图总结了环境和回放缓冲区的数据流。
变换 API
在某些情况下，变换不会以单元方式处理键的子集，而是会在父环境上执行某些操作或处理整个输入 tensordict。在这些情况下，应重写 _call() 和 forward() 方法，并可以跳过 _apply_transform() 方法。
让我们编写新的变换，计算位置角的 sine 和 cosine 值，因为这些值对我们学习策略比原始角度值更有用
class SinTransform(Transform):
def _apply_transform(self, obs: torch.Tensor) -> None:
return obs.sin()
# The transform must also modify the data at reset time
def _reset(
self, tensordict: TensorDictBase, tensordict_reset: TensorDictBase
) -> TensorDictBase:
return self._call(tensordict_reset)
# _apply_to_composite will execute the observation spec transform across all
# in_keys/out_keys pairs and write the result in the observation_spec which
# is of type ``Composite``
@_apply_to_composite
def transform_observation_spec(self, observation_spec):
return BoundedTensorSpec(
low=-1,
high=1,
shape=observation_spec.shape,
dtype=observation_spec.dtype,
device=observation_spec.device,
)
class CosTransform(Transform):
def _apply_transform(self, obs: torch.Tensor) -> None:
return obs.cos()
# The transform must also modify the data at reset time
def _reset(
self, tensordict: TensorDictBase, tensordict_reset: TensorDictBase
) -> TensorDictBase:
return self._call(tensordict_reset)
# _apply_to_composite will execute the observation spec transform across all
# in_keys/out_keys pairs and write the result in the observation_spec which
# is of type ``Composite``
@_apply_to_composite
def transform_observation_spec(self, observation_spec):
return BoundedTensorSpec(
low=-1,
high=1,
shape=observation_spec.shape,
dtype=observation_spec.dtype,
device=observation_spec.device,
)
t_sin = SinTransform(in_keys=["th"], out_keys=["sin"])
t_cos = CosTransform(in_keys=["th"], out_keys=["cos"])
env.append_transform(t_sin)
env.append_transform(t_cos)
将观测值连接到“observation”条目上。del_keys=False 确保我们将这些值保留到下一次迭代。
cat_transform = CatTensors(
in_keys=["sin", "cos", "thdot"], dim=-1, out_key="observation", del_keys=False
)
env.append_transform(cat_transform)
我们再次检查环境规格是否与接收到的相匹配
check_env_specs(env)
执行 Rollout¶
执行 Rollout 是一个简单的步骤序列
重置环境
当某个条件未满足时
根据策略计算动作
根据此动作执行一步
收集数据
执行一步
MDP
收集数据并返回
这些操作已方便地封装在 rollout() 方法中，我们在下方提供了其简化版本。
def simple_rollout(steps=100):
# preallocate:
data = TensorDict({}, [steps])
# reset
_data = env.reset()
for i in range(steps):
_data["action"] = env.action_spec.rand()
_data = env.step(_data)
data[i] = _data
_data = step_mdp(_data, keep_other=True)
return data
print("data from rollout:", simple_rollout(100))
批处理计算¶
本教程最后一个尚未探索的部分是我们在 TorchRL 中进行批处理计算的能力。由于我们的环境对输入数据形状没有任何假设，我们可以无缝地在数据批次上执行它。更妙的是：对于像我们的 Pendulum 这样非批次锁定（non-batch-locked）的环境，我们无需重新创建环境就可以动态更改批次大小。为此，我们只需生成具有所需形状的参数即可。
batch_size = 10 # number of environments to be executed in batch
td = env.reset(env.gen_params(batch_size=[batch_size]))
print("reset (batch size of 10)", td)
td = env.rand_step(td)
print("rand step (batch size of 10)", td)
使用数据批次执行 rollout 需要我们在 rollout 函数之外重置环境，因为我们需要动态定义 `batch_size`，而 rollout() 不支持此功能。
rollout = env.rollout(
3,
auto_reset=False, # we're executing the reset out of the ``rollout`` call
tensordict=env.reset(env.gen_params(batch_size=[batch_size])),
)
print("rollout of len 3 (batch size of 10):", rollout)
训练一个简单策略¶
在此示例中，我们将使用奖励作为可微分目标（例如负损失）来训练一个简单策略。我们将利用我们的动态系统完全可微分的事实，通过轨迹回报进行反向传播，并调整我们策略的权重以直接最大化此值。当然，在许多设置中，我们所做的许多假设（例如可微分系统和对底层机制的完全访问）并不成立。
尽管如此，这是一个非常简单的示例，展示了如何在 TorchRL 中使用自定义环境编写训练循环。
我们先编写策略网络
torch.manual_seed(0)
env.set_seed(0)
net = nn.Sequential(
nn.LazyLinear(64),
nn.Tanh(),
nn.LazyLinear(64),
nn.Tanh(),
nn.LazyLinear(64),
nn.Tanh(),
nn.LazyLinear(1),
)
policy = TensorDictModule(
net,
in_keys=["observation"],
out_keys=["action"],
)
以及我们的优化器
optim = torch.optim.Adam(policy.parameters(), lr=2e-3)
训练循环¶
我们将依次执行
生成轨迹
对奖励求和
通过这些操作定义的图进行反向传播
裁剪梯度范数并执行优化步骤
重复
在训练循环结束时，我们应该得到一个接近 0 的最终奖励，这表明摆锤向上并保持静止，达到了预期目标。
batch_size = 32
pbar = tqdm.tqdm(range(20_000 // batch_size))
scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(optim, 20_000)
logs = defaultdict(list)
for _ in pbar:
init_td = env.reset(env.gen_params(batch_size=[batch_size]))
rollout = env.rollout(100, policy, tensordict=init_td, auto_reset=False)
traj_return = rollout["next", "reward"].mean()
(-traj_return).backward()
gn = torch.nn.utils.clip_grad_norm_(net.parameters(), 1.0)
optim.step()
optim.zero_grad()
pbar.set_description(
f"reward: {traj_return: 4.4f}, "
f"last reward: {rollout[..., -1]['next', 'reward'].mean(): 4.4f}, gradient norm: {gn: 4.4}"
)
logs["return"].append(traj_return.item())
logs["last_reward"].append(rollout[..., -1]["next", "reward"].mean().item())
scheduler.step()
def plot():
import matplotlib
from matplotlib import pyplot as plt
is_ipython = "inline" in matplotlib.get_backend()
if is_ipython:
from IPython import display
with plt.ion():
plt.figure(figsize=(10, 5))
plt.subplot(1, 2, 1)
plt.plot(logs["return"])
plt.title("returns")
plt.xlabel("iteration")
plt.subplot(1, 2, 2)
plt.plot(logs["last_reward"])
plt.title("last reward")
plt.xlabel("iteration")
if is_ipython:
display.display(plt.gcf())
display.clear_output(wait=True)
plt.show()
plot()
结论¶
在本教程中，我们学习了如何从零开始编写一个无状态环境。我们涉及了以下主题：
编码环境时需要关注的四个基本组件（
step、reset、seeding 和构建 specs）。我们了解了这些方法和类如何与TensorDict类交互；如何使用
check_env_specs()检查环境是否正确编码；如何在无状态环境的上下文中添加 transforms 以及如何编写自定义 transformations；
如何在完全可微分的模拟器上训练策略。
脚本总运行时间： ( 0 minutes 0.000 seconds)
