TorchRL 目标：编写 DDPG 损失

创建于：2023年8月14日 | 最后更新：2024年7月31日 | 最后验证：未验证

作者: Vincent Moens

概述

TorchRL 将强化学习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（或“目标”）是包含可训练参数（策略和价值模型）的有状态对象。 本教程将指导您从头开始使用 TorchRL 编写损失函数的步骤。

为此，我们将专注于DDPG，这是一个相对简单的编码算法。 深度确定性策略梯度 (DDPG) 是一个简单的连续控制算法。它包括学习一个动作-观察对的参数化价值函数，然后学习一个策略，该策略在给定某个观察时输出最大化该价值函数的动作。

你将学习到：

• 如何编写损失模块并自定义其值估计器；

• 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）；

• 如何评估你的模型。

先决条件

本教程假设您已经完成了 PPO教程，该教程概述了TorchRL组件和依赖项，例如 tensordict.TensorDict 和 tensordict.nn.TensorDictModules， 尽管即使没有深入理解这些类，本教程也应该足够透明以便理解。

注意

我们的目标不是提供一个最先进的算法实现，而是提供一个高层次的TorchRL损失实现和库特性的说明，这些特性将在此算法的上下文中使用。

导入和设置

%%bash
pip3 install torchrl mujoco glfw

import torch
import tqdm

如果可用，我们将在CUDA上执行该策略

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，供您在训练脚本中使用。 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，因此loss_module.parameters()提供了训练算法所需的任何内容。

• 他们遵循TensorDict的约定：torch.nn.Module.forward()方法将接收一个包含所有必要信息的TensorDict作为输入，以返回损失值。

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

• 它们输出一个tensordict.TensorDict实例，其中损失值写在"loss_"下，其中smth是描述损失的字符串。TensorDict中的其他键可能是在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能够为不同的参数集使用不同的优化器。例如，可以通过以下方式简单地求和损失

  >>> 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，它的forward()方法期望输入一个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。使用这种格式使得可以在不同模态或复杂设置中重用该模块，例如模型需要读取多个条目的情况。换句话说，它允许我们编写一个损失模块，该模块对提供给它的数据类型不敏感，并且专注于运行损失函数的基本步骤，仅此而已。

为了使教程尽可能具有教育意义，我们将独立展示类的每个方法，并在稍后阶段填充类。

让我们从__init__()方法开始。DDPG旨在通过一个简单的策略解决控制任务：训练一个策略以输出能够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：一个演员网络和一个价值网络。我们希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一个目标值并将价值网络拟合到这个目标值，同时生成一个动作并拟合策略，使其价值估计最大化。

LossModule.__init__() 方法的关键步骤是调用 convert_to_functional()。该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，这并不是必须的，完全可以不使用它来编写所有的损失函数。然而，我们鼓励使用它，原因如下。

TorchRL 这样做的原因是，强化学习算法通常使用不同的参数集执行相同的模型，这些参数集被称为“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，但有一定的时间滞后（绝对滞后或通过移动平均稀释）。 这些目标参数用于计算与下一个观察值相关的值。使用一组与当前配置不完全匹配的目标参数来计算值模型的一个优点是，它们为正在计算的值函数提供了一个悲观的界限。 请注意下面的 create_target_params 关键字参数：这个参数告诉 convert_to_functional() 方法在损失模块中创建一组目标参数，用于目标值计算。如果将其设置为 False（例如在演员网络中），target_actor_network_params 属性仍然可以访问，但这将只返回演员参数的分离版本。

稍后，我们将看到在TorchRL中应如何更新目标参数。

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"

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），意味着目标值仅使用下一个奖励获得，或者可以获得蒙特卡洛估计（TD(1)），在这种情况下将使用整个即将到来的奖励序列（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枚举类使得使用其中一种或另一种估计器变得容易，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的价值函数。我们将采用最简单的版本（TD(0)），并在稍后展示如何更改这一点。

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示。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 方法可以调用但不需要调用：如果没有调用，LossModule 将使用其默认的估计器来查询此方法。

演员损失方法

RL算法的核心部分是演员的训练损失。在DDPG的情况下，这个函数非常简单：我们只需要计算使用策略计算出的动作的值，并优化演员权重以最大化这个值。

在计算此值时，我们必须确保将值参数从图中取出，否则演员和值损失将会混淆。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

在前向调用中将内容整合在一起

唯一缺失的部分是前向方法，它将价值和演员损失粘合在一起，收集成本值并将它们写入交付给用户的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，我们可以用它来训练一个策略来解决控制任务。

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。

对于这个例子，我们将使用"cheetah"任务。目标是让半猎豹尽可能快地奔跑。

在TorchRL中，可以通过依赖dm_control或gym来创建这样的任务：

env = GymEnv("HalfCheetah-v4")

或

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

默认情况下，这些环境会禁用渲染。从状态进行训练通常比从图像进行训练更容易。为了保持简单，我们专注于仅从状态学习。要将像素传递给由env.step()收集的tensordicts，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)

我们编写了一个make_env()辅助函数，它将创建一个环境，使用上述两种后端之一（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

转换

现在我们有了一个基础环境，我们可能想要修改它的表示形式，使其更符合策略需求。在TorchRL中，转换被附加到基础环境中，使用专门的torchr.envs.TransformedEnv类。

• 在DDPG中，通常使用一些启发式值来重新调整奖励。在这个例子中，我们将奖励乘以5。

• 如果我们使用dm_control，那么在模拟器（使用双精度数字）和我们的脚本（可能使用单精度数字）之间建立一个接口也很重要。这种转换是双向的：当调用env.step()时，我们的动作需要以双精度表示，而输出需要转换为单精度。 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浮点数的键，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，我们还保留了状态归一化的可能性：我们稍后会负责计算归一化常数。

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著提高收集吞吐量。当使用转换后的环境时，我们需要选择是希望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的向量化能力，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一起批处理 如果大于1，则需要调整其他帧计数（例如，frames_per_batch，total_frames） 以确保在实验中收集的总帧数一致。这一点很重要，因为提高帧跳过但保持 总帧数不变可能看起来像是在作弊：总的来说， 一个使用帧跳过2收集的10M元素的数据集与另一个使用帧跳过1收集的数据集 实际上与环境交互的比例为2:1！简而言之，在处理帧跳过时， 应该注意训练脚本的帧计数，因为这可能导致训练策略之间的比较出现偏差。

缩放奖励有助于我们控制信号幅度，以实现更高效的学习。

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（如果帧跳过=2则为500步）是一个很好的数字：

max_frames_per_traj = 500

观测值的归一化

为了计算归一化统计量，我们在环境中运行任意数量的随机步骤，并计算收集到的观测值的均值和标准差。ObservationNorm.init_stats()方法可以用于此目的。为了获取汇总统计量，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汇总统计量。

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

用于使用ObservationNorm进行统计计算的随机步数

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

我们将之前计算的统计数据传递给环境以标准化输出：

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

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，训练用于估计状态-动作对的价值，以及一个参数化的行动者，学习如何选择能够最大化这个价值的动作。

回想一下，构建一个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，通过指定输入和输出键来处理数据流。

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

Q值网络被封装在一个ValueOperator中，它会自动将out_keys设置为"state_action_value"用于Q值网络，而对于其他值网络则设置为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，因此在能够将策略从设备移动到设备并执行其他操作之前，有必要将这些惰性模块具体化。因此，使用一小部分数据样本来运行这些模块是一个好的做法。为此，我们从环境规范中生成假数据。

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

策略被传递到一个OrnsteinUhlenbeckProcessModule探索模块中，如原论文所建议。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您通过在环境中执行策略来收集数据。这些“数据收集器”会迭代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。 数据收集器的设计旨在帮助开发者严格控制每批数据的帧数、收集的（a）同步性质以及分配给数据收集的资源（例如 GPU、工作线程数等）。

这里我们将使用 SyncDataCollector，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 数据收集（例如，在优化策略的同时收集数据，从而解耦训练和 数据收集）。

需要指定的参数是：

• 一个环境工厂或一个环境，

• 政策，

• 在收集器被视为空之前的总帧数，

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

  注意

  传递给收集器的max_frames_per_traj将具有注册一个新的StepCounter转换的效果，该转换用于推理的环境。我们可以手动实现相同的结果，正如我们在这个脚本中所做的那样。

还应该传递：

• 每批收集的帧数，

• 独立于策略执行的随机步骤的数量，

• 用于策略执行的设备

• 在数据传递到主进程之前用于存储数据的设备。

我们在训练期间使用的总帧数应该大约为100万。

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，我们期望从收集器获取的批次具有形状 [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：构建您的记录器对象

由于训练数据是通过某种探索策略获得的，我们的算法的真实性能需要在确定性模式下进行评估。我们使用一个专门的类Recorder来实现这一点，该类以给定的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：优先回放（其中使用某种错误信号来使某些项目比其他项目更有可能被采样）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。也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

我们将把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量大小

TorchRL 回放缓冲区计算第一维度上的元素数量。 由于我们将向缓冲区提供轨迹，我们需要通过将其除以数据收集器生成的子轨迹的长度来调整缓冲区大小。 关于批量大小，我们的采样策略将包括在计算损失之前采样长度为 traj_len=200 的轨迹，然后选择长度为 random_crop_len=25 的子轨迹。 这种策略平衡了存储一定长度的完整轨迹与提供足够异质性样本给损失的需求。下图显示了从收集器到回放缓冲区的数据流，该收集器每批获取8帧，并行运行2个环境，将其提供给包含1000条轨迹的回放缓冲区，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)

优先回放缓冲区默认情况下是禁用的

prb = False

我们还需要定义每收集一批数据后要进行多少次更新。这被称为更新与数据的比率或UTD比率：

update_to_data = 64

我们将使用长度为25的轨迹来输入损失：

random_crop_len = 25

在原始论文中，作者对每帧收集的数据使用一批64个元素进行一次更新。在这里，我们重现了相同的比例，但在每次批量收集时实现了多次更新。我们调整了批量大小，以实现相同的每帧更新次数比例：

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构建我们的损失模块。 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(lambda)估计器！

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

注意

离策略通常指定一个TD(0)估计器。在这里，我们使用一个TD($\lambda$)估计器，这将引入一些偏差，因为跟随某个状态的轨迹是用过时的策略收集的。这个技巧，就像在数据收集过程中可以使用的多步技巧一样，是我们通常在实践中发现效果良好的“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中的关键部分。 更新目标网络参数变得容易，这要归功于 HardUpdate 和 SoftUpdate 类。它们以损失模块作为参数构建，并且通过在训练循环的适当位置调用 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

训练策略的时间

现在我们已经构建了所有需要的模块，训练循环变得相当简单。

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%|8         | 800/10000 [00:00<00:05, 1693.90it/s]
 16%|#6        | 1600/10000 [00:02<00:16, 497.79it/s]
 24%|##4       | 2400/10000 [00:03<00:10, 705.54it/s]
 32%|###2      | 3200/10000 [00:03<00:07, 900.02it/s]
 40%|####      | 4000/10000 [00:04<00:05, 1059.43it/s]
 48%|####8     | 4800/10000 [00:05<00:04, 1178.65it/s]
 56%|#####6    | 5600/10000 [00:05<00:03, 1283.99it/s]
reward: -2.12 (r0 = -4.31), reward eval: reward: -0.00, reward normalized=-3.04/6.20, grad norm= 122.66, loss_value= 395.43, loss_actor= 16.02, target value: -18.66:  56%|#####6    | 5600/10000 [00:06<00:03, 1283.99it/s]
reward: -2.12 (r0 = -4.31), reward eval: reward: -0.00, reward normalized=-3.04/6.20, grad norm= 122.66, loss_value= 395.43, loss_actor= 16.02, target value: -18.66:  64%|######4   | 6400/10000 [00:07<00:04, 873.34it/s]
reward: -0.14 (r0 = -4.31), reward eval: reward: -0.00, reward normalized=-2.53/6.10, grad norm= 119.03, loss_value= 328.19, loss_actor= 16.45, target value: -15.51:  64%|######4   | 6400/10000 [00:07<00:04, 873.34it/s]
reward: -0.14 (r0 = -4.31), reward eval: reward: -0.00, reward normalized=-2.53/6.10, grad norm= 119.03, loss_value= 328.19, loss_actor= 16.45, target value: -15.51:  72%|#######2  | 7200/10000 [00:08<00:03, 703.88it/s]
reward: -3.04 (r0 = -4.31), reward eval: reward: -0.00, reward normalized=-2.51/6.08, grad norm= 126.96, loss_value= 309.96, loss_actor= 15.26, target value: -16.04:  72%|#######2  | 7200/10000 [00:09<00:03, 703.88it/s]
reward: -3.04 (r0 = -4.31), reward eval: reward: -0.00, reward normalized=-2.51/6.08, grad norm= 126.96, loss_value= 309.96, loss_actor= 15.26, target value: -16.04:  80%|########  | 8000/10000 [00:10<00:03, 621.54it/s]
reward: -4.68 (r0 = -4.31), reward eval: reward: -0.00, reward normalized=-3.16/5.03, grad norm= 270.65, loss_value= 257.06, loss_actor= 17.27, target value: -20.87:  80%|########  | 8000/10000 [00:11<00:03, 621.54it/s]
reward: -4.68 (r0 = -4.31), reward eval: reward: -0.00, reward normalized=-3.16/5.03, grad norm= 270.65, loss_value= 257.06, loss_actor= 17.27, target value: -20.87:  88%|########8 | 8800/10000 [00:11<00:02, 579.32it/s]
reward: -5.28 (r0 = -4.31), reward eval: reward: -3.14, reward normalized=-3.26/5.11, grad norm= 65.61, loss_value= 220.73, loss_actor= 16.11, target value: -21.25:  88%|########8 | 8800/10000 [00:14<00:02, 579.32it/s]
reward: -5.28 (r0 = -4.31), reward eval: reward: -3.14, reward normalized=-3.26/5.11, grad norm= 65.61, loss_value= 220.73, loss_actor= 16.11, target value: -21.25:  96%|#########6| 9600/10000 [00:15<00:01, 396.86it/s]
reward: -5.34 (r0 = -4.31), reward eval: reward: -3.14, reward normalized=-3.17/5.76, grad norm= 190.38, loss_value= 319.41, loss_actor= 13.79, target value: -23.43:  96%|#########6| 9600/10000 [00:16<00:01, 396.86it/s]
reward: -5.34 (r0 = -4.31), reward eval: reward: -3.14, reward normalized=-3.17/5.76, grad norm= 190.38, loss_value= 319.41, loss_actor= 13.79, target value: -23.43: : 10400it [00:18, 361.82it/s]
reward: -3.29 (r0 = -4.31), reward eval: reward: -3.14, reward normalized=-3.43/4.90, grad norm= 83.72, loss_value= 182.15, loss_actor= 18.02, target value: -23.77: : 10400it [00:18, 361.82it/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在解决任务方面学习得相当好。

注意

如上所述，为了获得更合理的性能，请使用更大的值，例如1M，用于total_frames。

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，具体以DDPG为例。

关键要点是：

• 如何使用LossModule类来编写一个新的损失组件；

• 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，我们可能会考虑：

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

• 允许灵活的TensorDict键。