注意

点击此处下载完整的示例代码

循环 DQN：训练循环策略¶

作者：Vincent Moens

你将学到什么

如何在 TorchRL 中将 RNN 集成到 Actor 中
如何将该基于内存的策略与回放缓冲区和损失模块一起使用

先决条件

PyTorch v2.0.0
gym[mujoco]
tqdm

概述¶

基于内存的策略不仅在观测值部分可观测时至关重要，而且在必须考虑时间维度才能做出明智决策时也至关重要。

循环神经网络长期以来一直是基于内存的策略的常用工具。其思想是在两个连续步骤之间将循环状态保存在内存中，并将此作为策略的输入，以及当前观测值。

本教程展示了如何使用 TorchRL 将 RNN 集成到策略中。

主要学习内容

在 TorchRL 中将 RNN 集成到 Actor 中；
将该基于内存的策略与回放缓冲区和损失模块一起使用。

在 TorchRL 中使用 RNN 的核心思想是使用 TensorDict 作为数据载体，将隐藏状态从一个步骤传递到另一个步骤。我们将构建一个策略，该策略从当前 TensorDict 中读取先前的循环状态，并在下一个状态的 TensorDict 中写入当前循环状态

如图所示，我们的环境使用归零的循环状态填充 TensorDict，这些状态将与观测值一起被策略读取以生成动作，以及将在下一步中使用的循环状态。当调用 step_mdp() 函数时，下一个状态的循环状态将被带到当前 TensorDict 中。让我们看看在实践中是如何实现的。

如果你在 Google Colab 中运行此代码，请确保安装以下依赖项

!pip3 install torchrl
!pip3 install gym[mujoco]
!pip3 install tqdm

设置¶

import torch
import tqdm
from tensordict.nn import TensorDictModule as Mod, TensorDictSequential as Seq
from torch import nn
from torchrl.collectors import SyncDataCollector
from torchrl.data import LazyMemmapStorage, TensorDictReplayBuffer
from torchrl.envs import (
    Compose,
    ExplorationType,
    GrayScale,
    InitTracker,
    ObservationNorm,
    Resize,
    RewardScaling,
    set_exploration_type,
    StepCounter,
    ToTensorImage,
    TransformedEnv,
)
from torchrl.envs.libs.gym import GymEnv
from torchrl.modules import ConvNet, EGreedyModule, LSTMModule, MLP, QValueModule
from torchrl.objectives import DQNLoss, SoftUpdate

is_fork = multiprocessing.get_start_method() == "fork"
device = (
    torch.device(0)
    if torch.cuda.is_available() and not is_fork
    else torch.device("cpu")
)

环境¶

像往常一样，第一步是构建我们的环境：它帮助我们定义问题并相应地构建策略网络。在本教程中，我们将运行 CartPole gym 环境的单个基于像素的实例，并使用一些自定义转换：转换为灰度、调整大小到 84x84、缩小奖励范围并标准化观测值。

注意

StepCounter 转换是辅助性的。由于 CartPole 任务的目标是使轨迹尽可能长，因此计算步数可以帮助我们跟踪策略的性能。

两个转换对于本教程的目的非常重要

InitTracker 将通过在 TensorDict 中添加一个 "is_init" 布尔掩码来标记对 reset() 的调用，该掩码将跟踪哪些步骤需要重置 RNN 隐藏状态。
TensorDictPrimer 转换稍微复杂一些。使用 RNN 策略不需要它。但是，它指示环境（以及随后的收集器）应该预期一些额外的键。添加后，对 env.reset() 的调用将使用零值张量填充 primer 中指示的条目。知道策略预期这些张量，收集器将在收集过程中传递它们。最终，我们将把我们的隐藏状态存储在回放缓冲区中，这将有助于我们引导损失模块中 RNN 操作的计算（否则将以 0 初始化）。总而言之：不包含此转换不会对策略的训练产生巨大影响，但它会使收集的数据和回放缓冲区中的循环键消失，这反过来会导致训练效果略微欠佳。幸运的是，我们提出的 LSTMModule 配备了一个辅助方法来为我们构建此转换，因此我们可以等到构建它时再处理！

env = TransformedEnv(
    GymEnv("CartPole-v1", from_pixels=True, device=device),
    Compose(
        ToTensorImage(),
        GrayScale(),
        Resize(84, 84),
        StepCounter(),
        InitTracker(),
        RewardScaling(loc=0.0, scale=0.1),
        ObservationNorm(standard_normal=True, in_keys=["pixels"]),
    ),
)

像往常一样，我们需要手动初始化我们的标准化常数

env.transform[-1].init_stats(1000, reduce_dim=[0, 1, 2], cat_dim=0, keep_dims=[0])
td = env.reset()

策略¶

我们的策略将包含 3 个组件：一个 ConvNet 骨干网络、一个 LSTMModule 内存层和一个浅层 MLP 模块，该模块将 LSTM 输出映射到动作值。

卷积网络¶

我们构建了一个卷积网络，两侧都带有 torch.nn.AdaptiveAvgPool2d，它将输出压缩成大小为 64 的向量。 ConvNet 可以帮助我们实现这一点

feature = Mod(
    ConvNet(
        num_cells=[32, 32, 64],
        squeeze_output=True,
        aggregator_class=nn.AdaptiveAvgPool2d,
        aggregator_kwargs={"output_size": (1, 1)},
        device=device,
    ),
    in_keys=["pixels"],
    out_keys=["embed"],
)

我们对一批数据执行第一个模块以收集输出向量的尺寸

n_cells = feature(env.reset())["embed"].shape[-1]

LSTM 模块¶

TorchRL 提供了一个专门的 LSTMModule 类来将 LSTM 集成到您的代码库中。它是 TensorDictModuleBase 的子类：因此，它有一组 in_keys 和 out_keys，指示在模块执行期间应预期读取和写入/更新哪些值。该类附带了这些属性的可自定义预定义值，以方便其构建。

注意

使用限制：该类支持几乎所有 LSTM 功能，例如 dropout 或多层 LSTM。但是，为了尊重 TorchRL 的约定，此 LSTM 必须将其 batch_first 属性设置为 True，这**不是** PyTorch 的默认值。但是，我们的 LSTMModule 更改了此默认行为，因此我们可以使用原生调用。

此外，LSTM 不能将其 bidirectional 属性设置为 True，因为这在在线设置中不可用。在这种情况下，默认值是正确的。

lstm = LSTMModule(
    input_size=n_cells,
    hidden_size=128,
    device=device,
    in_key="embed",
    out_key="embed",
)

让我们看看 LSTM 模块类，特别是它的 in 和 out_keys

print("in_keys", lstm.in_keys)
print("out_keys", lstm.out_keys)

in_keys ['embed', 'recurrent_state_h', 'recurrent_state_c', 'is_init']
out_keys ['embed', ('next', 'recurrent_state_h'), ('next', 'recurrent_state_c')]

我们可以看到这些值包含我们指示为 in_key（和 out_key）的键以及循环键名称。out_keys 前面带有“next”前缀，表示它们需要写入“next”TensorDict 中。我们使用此约定（可以通过传递 in_keys/out_keys 参数来覆盖），以确保对 step_mdp() 的调用会将循环状态移动到根 TensorDict，使其在后续调用期间可用于 RNN（请参阅引言中的图）。

如前所述，我们还有一个可选的转换需要添加到我们的环境中，以确保将循环状态传递到缓冲区。 make_tensordict_primer() 方法正是这样做的

env.append_transform(lstm.make_tensordict_primer())

TransformedEnv(
    env=GymEnv(env=CartPole-v1, batch_size=torch.Size([]), device=cpu),
    transform=Compose(
            ToTensorImage(keys=['pixels']),
            GrayScale(keys=['pixels']),
            Resize(w=84, h=84, interpolation=InterpolationMode.BILINEAR, keys=['pixels']),
            StepCounter(keys=[]),
            InitTracker(keys=[]),
            RewardScaling(loc=0.0000, scale=0.1000, keys=['reward']),
            ObservationNorm(keys=['pixels']),
            TensorDictPrimer(primers=CompositeSpec(
                recurrent_state_h: UnboundedContinuousTensorSpec(
                    shape=torch.Size([1, 128]),
                    space=None,
                    device=cpu,
                    dtype=torch.float32,
                    domain=continuous),
                recurrent_state_c: UnboundedContinuousTensorSpec(
                    shape=torch.Size([1, 128]),
                    space=None,
                    device=cpu,
                    dtype=torch.float32,
                    domain=continuous),
                device=cpu,
                shape=torch.Size([])), default_value={'recurrent_state_h': 0.0, 'recurrent_state_c': 0.0}, random=None)))

就是这样！我们可以打印环境以检查一切是否正常，因为我们现在已经添加了 primer

print(env)

TransformedEnv(
    env=GymEnv(env=CartPole-v1, batch_size=torch.Size([]), device=cpu),
    transform=Compose(
            ToTensorImage(keys=['pixels']),
            GrayScale(keys=['pixels']),
            Resize(w=84, h=84, interpolation=InterpolationMode.BILINEAR, keys=['pixels']),
            StepCounter(keys=[]),
            InitTracker(keys=[]),
            RewardScaling(loc=0.0000, scale=0.1000, keys=['reward']),
            ObservationNorm(keys=['pixels']),
            TensorDictPrimer(primers=CompositeSpec(
                recurrent_state_h: UnboundedContinuousTensorSpec(
                    shape=torch.Size([1, 128]),
                    space=None,
                    device=cpu,
                    dtype=torch.float32,
                    domain=continuous),
                recurrent_state_c: UnboundedContinuousTensorSpec(
                    shape=torch.Size([1, 128]),
                    space=None,
                    device=cpu,
                    dtype=torch.float32,
                    domain=continuous),
                device=cpu,
                shape=torch.Size([])), default_value={'recurrent_state_h': 0.0, 'recurrent_state_c': 0.0}, random=None)))

MLP¶

我们使用单层 MLP 来表示我们将用于策略的动作值。

mlp = MLP(
    out_features=2,
    num_cells=[
        64,
    ],
    device=device,
)

并用零填充偏差

mlp[-1].bias.data.fill_(0.0)
mlp = Mod(mlp, in_keys=["embed"], out_keys=["action_value"])

使用 Q 值选择动作¶

策略的最后一部分是 Q 值模块。Q 值模块 QValueModule 将读取由我们的 MLP 生成的 "action_values" 键，并从中收集具有最大值的动作。我们唯一需要做的是指定动作空间，这可以通过传递字符串或动作规范来完成。这允许我们使用分类（有时称为“稀疏”）编码或其独热版本。

qval = QValueModule(spec=env.action_spec)

注意

TorchRL 还提供了一个包装器类 torchrl.modules.QValueActor，它将一个模块与 QValueModule 一起包装在一个 Sequential 中，就像我们在这里明确地做的那样。这样做几乎没有优势，并且过程不那么透明，但最终结果将与我们在这里所做的相似。

我们现在可以将它们组合到 TensorDictSequential 中

stoch_policy = Seq(feature, lstm, mlp, qval)

DQN 是一种确定性算法，因此探索是其至关重要的部分。我们将使用 \(\epsilon\)-贪婪策略，其中 epsilon 为 0.2，并逐渐衰减到 0。此衰减是通过调用 step() 实现的（请参见下面的训练循环）。

exploration_module = EGreedyModule(
    annealing_num_steps=1_000_000, spec=env.action_spec, eps_init=0.2
)
stoch_policy = Seq(
    stoch_policy,
    exploration_module,
)

使用模型进行损失计算¶

我们构建的模型非常适合在顺序设置中使用。但是，类 torch.nn.LSTM 可以使用 cuDNN 优化的后端在 GPU 设备上更快地运行 RNN 序列。我们不希望错过这样的加速训练循环的机会！要使用它，我们只需要告诉 LSTM 模块在损失使用时以“循环模式”运行即可。由于我们通常希望拥有 LSTM 模块的两个副本，因此我们通过调用一个 set_recurrent_mode() 方法来实现，该方法将返回 LSTM 的一个新实例（共享权重），它将假设输入数据本质上是顺序的。

policy = Seq(feature, lstm.set_recurrent_mode(True), mlp, qval)

因为我们还有几个未初始化的参数，所以我们应该在创建优化器等之前初始化它们。

policy(env.reset())

TensorDict(
    fields={
        action: Tensor(shape=torch.Size([2]), device=cpu, dtype=torch.int64, is_shared=False),
        action_value: Tensor(shape=torch.Size([2]), device=cpu, dtype=torch.float32, is_shared=False),
        chosen_action_value: 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),
        embed: Tensor(shape=torch.Size([128]), device=cpu, dtype=torch.float32, is_shared=False),
        is_init: Tensor(shape=torch.Size([1]), device=cpu, dtype=torch.bool, is_shared=False),
        next: TensorDict(
            fields={
                recurrent_state_c: Tensor(shape=torch.Size([1, 128]), device=cpu, dtype=torch.float32, is_shared=False),
                recurrent_state_h: Tensor(shape=torch.Size([1, 128]), device=cpu, dtype=torch.float32, is_shared=False)},
            batch_size=torch.Size([]),
            device=cpu,
            is_shared=False),
        pixels: Tensor(shape=torch.Size([1, 84, 84]), device=cpu, dtype=torch.float32, is_shared=False),
        recurrent_state_c: Tensor(shape=torch.Size([1, 128]), device=cpu, dtype=torch.float32, is_shared=False),
        recurrent_state_h: Tensor(shape=torch.Size([1, 128]), device=cpu, dtype=torch.float32, is_shared=False),
        step_count: Tensor(shape=torch.Size([1]), device=cpu, dtype=torch.int64, is_shared=False),
        terminated: Tensor(shape=torch.Size([1]), device=cpu, dtype=torch.bool, is_shared=False),
        truncated: Tensor(shape=torch.Size([1]), device=cpu, dtype=torch.bool, is_shared=False)},
    batch_size=torch.Size([]),
    device=cpu,
    is_shared=False)

DQN 损失¶

我们的 DQN 损失要求我们传递策略，以及动作空间。虽然这可能看起来是多余的，但它很重要，因为我们希望确保 DQNLoss 和 QValueModule 类兼容，但彼此之间没有强依赖关系。

要使用 Double-DQN，我们要求一个 delay_value 参数，它将创建一个网络参数的不可微分副本，用作目标网络。

loss_fn = DQNLoss(policy, action_space=env.action_spec, delay_value=True)

由于我们使用的是双重 DQN，因此我们需要更新目标参数。我们将使用 SoftUpdate 实例来执行此工作。

updater = SoftUpdate(loss_fn, eps=0.95)

optim = torch.optim.Adam(policy.parameters(), lr=3e-4)

收集器和回放缓冲区¶

我们构建了最简单的的数据收集器。我们将尝试使用一百万帧来训练我们的算法，每次扩展缓冲区 50 帧。缓冲区将被设计为存储 20000 条轨迹，每条轨迹包含 50 个步骤。在每个优化步骤（每收集数据 16 次），我们将从缓冲区收集 4 个项目，总共 200 个转换。我们将使用 LazyMemmapStorage 存储来将数据保存在磁盘上。

注意

为了提高效率，我们在这里只运行了几千次迭代。在实际设置中，帧总数应设置为 100 万。

collector = SyncDataCollector(env, stoch_policy, frames_per_batch=50, total_frames=200, device=device)
rb = TensorDictReplayBuffer(
    storage=LazyMemmapStorage(20_000), batch_size=4, prefetch=10
)

训练循环¶

为了跟踪进度，我们将在每次收集 50 次数据后在环境中运行一次策略，并在训练后绘制结果。

utd = 16
pbar = tqdm.tqdm(total=1_000_000)
longest = 0

traj_lens = []
for i, data in enumerate(collector):
    if i == 0:
        print(
            "Let us print the first batch of data.\nPay attention to the key names "
            "which will reflect what can be found in this data structure, in particular: "
            "the output of the QValueModule (action_values, action and chosen_action_value),"
            "the 'is_init' key that will tell us if a step is initial or not, and the "
            "recurrent_state keys.\n",
            data,
        )
    pbar.update(data.numel())
    # it is important to pass data that is not flattened
    rb.extend(data.unsqueeze(0).to_tensordict().cpu())
    for _ in range(utd):
        s = rb.sample().to(device, non_blocking=True)
        loss_vals = loss_fn(s)
        loss_vals["loss"].backward()
        optim.step()
        optim.zero_grad()
    longest = max(longest, data["step_count"].max().item())
    pbar.set_description(
        f"steps: {longest}, loss_val: {loss_vals['loss'].item(): 4.4f}, action_spread: {data['action'].sum(0)}"
    )
    exploration_module.step(data.numel())
    updater.step()

    with set_exploration_type(ExplorationType.MODE), torch.no_grad():
        rollout = env.rollout(10000, stoch_policy)
        traj_lens.append(rollout.get(("next", "step_count")).max().item())

  0%|          | 0/1000000 [00:00<?, ?it/s]Let us print the first batch of data.
Pay attention to the key names which will reflect what can be found in this data structure, in particular: the output of the QValueModule (action_values, action and chosen_action_value),the 'is_init' key that will tell us if a step is initial or not, and the recurrent_state keys.
 TensorDict(
    fields={
        action: Tensor(shape=torch.Size([50, 2]), device=cpu, dtype=torch.int64, is_shared=False),
        action_value: Tensor(shape=torch.Size([50, 2]), device=cpu, dtype=torch.float32, is_shared=False),
        chosen_action_value: Tensor(shape=torch.Size([50, 1]), device=cpu, dtype=torch.float32, is_shared=False),
        collector: TensorDict(
            fields={
                traj_ids: Tensor(shape=torch.Size([50]), device=cpu, dtype=torch.int64, is_shared=False)},
            batch_size=torch.Size([50]),
            device=cpu,
            is_shared=False),
        done: Tensor(shape=torch.Size([50, 1]), device=cpu, dtype=torch.bool, is_shared=False),
        embed: Tensor(shape=torch.Size([50, 128]), device=cpu, dtype=torch.float32, is_shared=False),
        is_init: Tensor(shape=torch.Size([50, 1]), device=cpu, dtype=torch.bool, is_shared=False),
        next: TensorDict(
            fields={
                done: Tensor(shape=torch.Size([50, 1]), device=cpu, dtype=torch.bool, is_shared=False),
                is_init: Tensor(shape=torch.Size([50, 1]), device=cpu, dtype=torch.bool, is_shared=False),
                pixels: Tensor(shape=torch.Size([50, 1, 84, 84]), device=cpu, dtype=torch.float32, is_shared=False),
                recurrent_state_c: Tensor(shape=torch.Size([50, 1, 128]), device=cpu, dtype=torch.float32, is_shared=False),
                recurrent_state_h: Tensor(shape=torch.Size([50, 1, 128]), device=cpu, dtype=torch.float32, is_shared=False),
                reward: Tensor(shape=torch.Size([50, 1]), device=cpu, dtype=torch.float32, is_shared=False),
                step_count: Tensor(shape=torch.Size([50, 1]), device=cpu, dtype=torch.int64, is_shared=False),
                terminated: Tensor(shape=torch.Size([50, 1]), device=cpu, dtype=torch.bool, is_shared=False),
                truncated: Tensor(shape=torch.Size([50, 1]), device=cpu, dtype=torch.bool, is_shared=False)},
            batch_size=torch.Size([50]),
            device=cpu,
            is_shared=False),
        pixels: Tensor(shape=torch.Size([50, 1, 84, 84]), device=cpu, dtype=torch.float32, is_shared=False),
        recurrent_state_c: Tensor(shape=torch.Size([50, 1, 128]), device=cpu, dtype=torch.float32, is_shared=False),
        recurrent_state_h: Tensor(shape=torch.Size([50, 1, 128]), device=cpu, dtype=torch.float32, is_shared=False),
        step_count: Tensor(shape=torch.Size([50, 1]), device=cpu, dtype=torch.int64, is_shared=False),
        terminated: Tensor(shape=torch.Size([50, 1]), device=cpu, dtype=torch.bool, is_shared=False),
        truncated: Tensor(shape=torch.Size([50, 1]), device=cpu, dtype=torch.bool, is_shared=False)},
    batch_size=torch.Size([50]),
    device=cpu,
    is_shared=False)

  0%|          | 50/1000000 [00:00<2:35:40, 107.05it/s]
  0%|          | 50/1000000 [00:11<2:35:40, 107.05it/s]
steps: 12, loss_val:  0.0005, action_spread: tensor([ 9, 41]):   0%|          | 50/1000000 [00:28<2:35:40, 107.05it/s]
steps: 12, loss_val:  0.0005, action_spread: tensor([ 9, 41]):   0%|          | 100/1000000 [00:29<96:22:58,  2.88it/s]
steps: 14, loss_val:  0.0007, action_spread: tensor([41,  9]):   0%|          | 100/1000000 [00:58<96:22:58,  2.88it/s]
steps: 14, loss_val:  0.0007, action_spread: tensor([41,  9]):   0%|          | 150/1000000 [00:58<126:43:18,  2.19it/s]
steps: 15, loss_val:  0.0007, action_spread: tensor([ 7, 43]):   0%|          | 150/1000000 [01:26<126:43:18,  2.19it/s]
steps: 15, loss_val:  0.0007, action_spread: tensor([ 7, 43]):   0%|          | 200/1000000 [01:27<139:46:02,  1.99it/s]
steps: 21, loss_val:  0.0006, action_spread: tensor([36, 14]):   0%|          | 200/1000000 [01:56<139:46:02,  1.99it/s]

让我们绘制我们的结果

if traj_lens:
    from matplotlib import pyplot as plt

    plt.plot(traj_lens)
    plt.xlabel("Test collection")
    plt.title("Test trajectory lengths")

结论¶

我们已经了解了如何在 TorchRL 中将 RNN 集成到策略中。您现在应该能够

创建一个充当 TensorDictModule 的 LSTM 模块
通过 InitTracker 转换指示 LSTM 模块需要重置
将此模块集成到策略和损失模块中
确保收集器了解循环状态条目，以便可以将它们与其余数据一起存储在回放缓冲区中

进一步阅读¶

TorchRL 文档可以在这里找到 here。

脚本的总运行时间：（2 分钟 1.817 秒）

由 Sphinx-Gallery 生成的图库