TorchRL 环境

作者: Vincent Moens

环境在强化学习（RL）环境中起着至关重要的作用，通常与监督和无监督学习中的数据集有些相似。强化学习社区已经非常熟悉OpenAI gym API，它提供了一种灵活的方式来构建环境、初始化它们并与之交互。然而，还有许多其他库存在，与它们的交互方式可能与对gym的预期有很大不同。

让我们首先介绍 TorchRL 如何与 Gym 交互，这将作为了解其他框架的入门。

Gym 环境

要运行本教程的这一部分，您需要安装较新版本的 gym 库以及 Atari 套件。您可以通过安装以下软件包来完成安装：

为了统一所有框架，torchrl环境是在__init__方法中构建的，该方法使用一个名为_build_env的私有方法，该方法将参数和关键字参数传递给根库构建器。

有了gym，这意味着构建环境就像这样简单：

import torch
from matplotlib import pyplot as plt
from tensordict import TensorDict

from torchrl.envs.libs.gym import GymEnv

env = GymEnv("Pendulum-v1")

可用环境列表可以通过以下命令访问：

list(GymEnv.available_envs)[:10]

['Acrobot-v1', 'Ant-v2', 'Ant-v3', 'Ant-v4', 'BipedalWalker-v3', 'BipedalWalkerHardcore-v3', 'Blackjack-v1', 'CarRacing-v2', 'CartPole-v0', 'CartPole-v1']

环境规格

与其他框架一样，TorchRL 环境具有指示观察值、动作、完成和奖励空间的属性。由于通常会检索到多个观察值，我们期望观察值规范为类型 CompositeSpec。 奖励和动作没有这种限制：

print("Env observation_spec: \n", env.observation_spec)
print("Env action_spec: \n", env.action_spec)
print("Env reward_spec: \n", env.reward_spec)

Env observation_spec:
 CompositeSpec(
    observation: BoundedTensorSpec(
        shape=torch.Size([3]),
        space=ContinuousBox(
            low=Tensor(shape=torch.Size([3]), device=cpu, dtype=torch.float32, contiguous=True),
            high=Tensor(shape=torch.Size([3]), device=cpu, dtype=torch.float32, contiguous=True)),
        device=cpu,
        dtype=torch.float32,
        domain=continuous),
    device=None,
    shape=torch.Size([]))
Env action_spec:
 BoundedTensorSpec(
    shape=torch.Size([1]),
    space=ContinuousBox(
        low=Tensor(shape=torch.Size([1]), device=cpu, dtype=torch.float32, contiguous=True),
        high=Tensor(shape=torch.Size([1]), device=cpu, dtype=torch.float32, contiguous=True)),
    device=cpu,
    dtype=torch.float32,
    domain=continuous)
Env reward_spec:
 UnboundedContinuousTensorSpec(
    shape=torch.Size([1]),
    space=None,
    device=cpu,
    dtype=torch.float32,
    domain=continuous)

这些规范附带了一系列实用工具：可以断言某个样本是否处于定义的空间内；如果样本超出该空间，我们还可以使用某些启发式方法将其投影到该空间中；此外，还能在该空间内生成随机（可能是均匀分布的）数值：

action = torch.ones(1) * 3
print("action is in bounds?\n", bool(env.action_spec.is_in(action)))
print("projected action: \n", env.action_spec.project(action))

action is in bounds?
 False
projected action:
 tensor([2.])

print("random action: \n", env.action_spec.rand())

random action:
 tensor([1.0797])

这些规格中，done_spec 值得特别关注。在 TorchRL 中， 所有环境都会写入至少两种类型的轨迹结束信号： "terminated"（表示马尔可夫决策过程已达到最终状态 - __episode__ 已结束）和 "done"，表示这是 __trajectory__ 的最后一步 （但不一定是任务的结束）。一般来说，当一个 "terminal" 被 False 时，"done" 条目为 True 是由 "truncated" 信号引起的。Gym 环境会考虑这三种信号：

print(env.done_spec)

CompositeSpec(
    done: DiscreteTensorSpec(
        shape=torch.Size([1]),
        space=DiscreteBox(n=2),
        device=cpu,
        dtype=torch.bool,
        domain=discrete),
    terminated: DiscreteTensorSpec(
        shape=torch.Size([1]),
        space=DiscreteBox(n=2),
        device=cpu,
        dtype=torch.bool,
        domain=discrete),
    truncated: DiscreteTensorSpec(
        shape=torch.Size([1]),
        space=DiscreteBox(n=2),
        device=cpu,
        dtype=torch.bool,
        domain=discrete),
    device=None,
    shape=torch.Size([]))

Envs 也包含一个 env.state_spec 类型的属性 CompositeSpec，其中包含所有作为 env 输入但不是动作的规格。 对于有状态的 envs（例如 gym），这在大多数情况下将是空的。 对于无状态环境 （例如 Brax），这也应包括先前状态的表示， 或任何其他输入到环境（包括重置时的输入）。

随机数种子、重置和步骤

环境的基本操作是 (1) set_seed, (2) reset 和 (3) step。

让我们看看这些方法在 TorchRL 中是如何工作的：

torch.manual_seed(0)  # make sure that all torch code is also reproductible
env.set_seed(0)
reset_data = env.reset()
print("reset data", reset_data)

reset data TensorDict(
    fields={
        done: Tensor(shape=torch.Size([1]), device=cpu, dtype=torch.bool, is_shared=False),
        observation: Tensor(shape=torch.Size([3]), device=cpu, dtype=torch.float32, 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=None,
    is_shared=False)

现在，我们可以在环境中执行一个步骤。由于我们尚未定义策略， 因此可以仅生成一个随机动作：

policy = TensorDictModule(env.action_spec.rand, in_keys=[], out_keys=["action"])


policy(reset_data)
tensordict_out = env.step(reset_data)

默认情况下，step 返回的 tensordict 与输入相同...

assert tensordict_out is reset_data

……但带有新的键

tensordict_out

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([3]), device=cpu, dtype=torch.float32, is_shared=False),
                reward: Tensor(shape=torch.Size([1]), device=cpu, dtype=torch.float32, 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=None,
            is_shared=False),
        observation: Tensor(shape=torch.Size([3]), device=cpu, dtype=torch.float32, 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=None,
    is_shared=False)

我们刚刚所做的（使用 action_spec.rand() 的随机步骤）也可以通过简单的快捷方式完成。

env.rand_step()

TensorDict(
    fields={
        action: Tensor(shape=torch.Size([1]), device=cpu, dtype=torch.float32, 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([3]), device=cpu, dtype=torch.float32, is_shared=False),
                reward: Tensor(shape=torch.Size([1]), device=cpu, dtype=torch.float32, 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=None,
            is_shared=False)},
    batch_size=torch.Size([]),
    device=None,
    is_shared=False)

新的键 ("next", "observation")（以及所有在 "next" tensordict 下的键）在 TorchRL 中具有特殊作用：它们表示它们位于具有相同名称但没有前缀的键之后。

我们提供了一个函数 step_mdp，它执行张量字典中的一个步骤： 它返回一个新的张量字典，更新后使得 t < -t’：

from torchrl.envs.utils import step_mdp

tensordict_out.set("some other key", torch.randn(1))
tensordict_tprime = step_mdp(tensordict_out)

print(tensordict_tprime)
print(
    (
        tensordict_tprime.get("observation")
        == tensordict_out.get(("next", "observation"))
    ).all()
)

TensorDict(
    fields={
        done: Tensor(shape=torch.Size([1]), device=cpu, dtype=torch.bool, is_shared=False),
        observation: Tensor(shape=torch.Size([3]), device=cpu, dtype=torch.float32, is_shared=False),
        some other key: Tensor(shape=torch.Size([1]), device=cpu, dtype=torch.float32, 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=None,
    is_shared=False)
tensor(True)

我们可以观察到 step_mdp 已经删除了所有的时间依赖键值对，但 "some other key" 没有。此外，新的观察结果与之前的观察结果匹配。

最后，注意env.reset方法还接受一个tensordict来进行更新：

tensordict = TensorDict({}, [])
assert env.reset(tensordict) is tensordict
tensordict

TensorDict(
    fields={
        done: Tensor(shape=torch.Size([1]), device=cpu, dtype=torch.bool, is_shared=False),
        observation: Tensor(shape=torch.Size([3]), device=cpu, dtype=torch.float32, 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=None,
    is_shared=False)

Rollouts

TorchRL 提供的通用环境类允许你轻松地对指定步数执行 rollout：

tensordict_rollout = env.rollout(max_steps=20, policy=policy)
print(tensordict_rollout)

TensorDict(
    fields={
        action: Tensor(shape=torch.Size([20, 1]), device=cpu, dtype=torch.float32, is_shared=False),
        done: Tensor(shape=torch.Size([20, 1]), device=cpu, dtype=torch.bool, is_shared=False),
        next: TensorDict(
            fields={
                done: Tensor(shape=torch.Size([20, 1]), device=cpu, dtype=torch.bool, is_shared=False),
                observation: Tensor(shape=torch.Size([20, 3]), device=cpu, dtype=torch.float32, is_shared=False),
                reward: Tensor(shape=torch.Size([20, 1]), device=cpu, dtype=torch.float32, is_shared=False),
                terminated: Tensor(shape=torch.Size([20, 1]), device=cpu, dtype=torch.bool, is_shared=False),
                truncated: Tensor(shape=torch.Size([20, 1]), device=cpu, dtype=torch.bool, is_shared=False)},
            batch_size=torch.Size([20]),
            device=None,
            is_shared=False),
        observation: Tensor(shape=torch.Size([20, 3]), device=cpu, dtype=torch.float32, is_shared=False),
        terminated: Tensor(shape=torch.Size([20, 1]), device=cpu, dtype=torch.bool, is_shared=False),
        truncated: Tensor(shape=torch.Size([20, 1]), device=cpu, dtype=torch.bool, is_shared=False)},
    batch_size=torch.Size([20]),
    device=None,
    is_shared=False)

生成的张量字典具有 batch_size 和 [20]，这是轨迹的长度。我们可以检查观察值是否与其下一个值匹配：

(
    tensordict_rollout.get("observation")[1:]
    == tensordict_rollout.get(("next", "observation"))[:-1]
).all()

tensor(True)

frame_skip

在某些情况下，使用 frame_skip 参数来对几个连续帧使用相同的动作是有用的。

所得的 tensordict 仅包含序列中观察到的最后一帧，但奖励值将对帧数进行累加。

如果环境在此过程中达到终止（done）状态，它将停止执行，并返回被截断链的结果。

env = GymEnv("Pendulum-v1", frame_skip=4)
env.reset()

TensorDict(
    fields={
        done: Tensor(shape=torch.Size([1]), device=cpu, dtype=torch.bool, is_shared=False),
        observation: Tensor(shape=torch.Size([3]), device=cpu, dtype=torch.float32, 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=None,
    is_shared=False)

渲染

渲染在许多强化学习环境中起着重要作用，这就是为什么torchrl提供的通用环境类提供了一个from_pixels关键字参数，允许用户快速请求基于图像的环境：

env = GymEnv("Pendulum-v1", from_pixels=True)

tensordict = env.reset()
env.close()

plt.imshow(tensordict.get("pixels").numpy())

<matplotlib.image.AxesImage object at 0x7f6f9e77b4f0>

让我们看看 tensordict 包含了什么：

tensordict

TensorDict(
    fields={
        done: Tensor(shape=torch.Size([1]), device=cpu, dtype=torch.bool, is_shared=False),
        pixels: Tensor(shape=torch.Size([500, 500, 3]), device=cpu, dtype=torch.uint8, 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=None,
    is_shared=False)

我们仍然有一个 "state" 来描述 "observation" 在前一种情况中所描述的内容（命名差异来自于 gym 现在返回一个字典，如果存在的话，TorchRL 会从字典中获取名称，否则它将步骤输出命名为 "observation"：简而言之，这是由于 gym 环境步骤方法返回的对象类型不一致造成的）。

也可以通过仅请求像素来丢弃这个辅助输出：

env = GymEnv("Pendulum-v1", from_pixels=True, pixels_only=True)
env.reset()
env.close()

有些环境仅以图像格式提供

env = GymEnv("ALE/Pong-v5")
print("from pixels: ", env.from_pixels)
print("tensordict: ", env.reset())
env.close()

Traceback (most recent call last):
  File "/pytorch/rl/docs/source/reference/generated/tutorials/torchrl_envs.py", line 275, in <module>
    env = GymEnv("ALE/Pong-v5")
  File "/pytorch/rl/torchrl/envs/libs/gym.py", line 571, in __call__
    instance: GymWrapper = super().__call__(*args, **kwargs)
  File "/pytorch/rl/torchrl/envs/common.py", line 176, in __call__
    instance: EnvBase = super().__call__(*args, **kwargs)
  File "/pytorch/rl/torchrl/envs/libs/gym.py", line 1371, in __init__
    super().__init__(**kwargs)
  File "/pytorch/rl/torchrl/envs/libs/gym.py", line 784, in __init__
    super().__init__(**kwargs)
  File "/pytorch/rl/torchrl/envs/common.py", line 3047, in __init__
    self._env = self._build_env(**kwargs)  # writes the self._env attribute
  File "/pytorch/rl/torchrl/envs/libs/gym.py", line 1423, in _build_env
    env = self.lib.make(env_name, **kwargs)
  File "/pytorch/rl/env/lib/python3.8/site-packages/gym/envs/registration.py", line 569, in make
    _check_version_exists(ns, name, version)
  File "/pytorch/rl/env/lib/python3.8/site-packages/gym/envs/registration.py", line 219, in _check_version_exists
    _check_name_exists(ns, name)
  File "/pytorch/rl/env/lib/python3.8/site-packages/gym/envs/registration.py", line 187, in _check_name_exists
    _check_namespace_exists(ns)
  File "/pytorch/rl/env/lib/python3.8/site-packages/gym/envs/registration.py", line 182, in _check_namespace_exists
    raise error.NamespaceNotFound(f"Namespace {ns} not found. {suggestion_msg}")
gym.error.NamespaceNotFound: Namespace ALE not found. Have you installed the proper package for ALE?

DeepMind 控制环境

To run this part of the tutorial, make sure you have installed dm_control:

$ pip install dm_control

我们还提供了一个DM Control套件的包装器。同样，构建环境也很简单：首先让我们看看可以访问哪些环境。 The available_envs 现在返回一个包含环境和可能任务的字典：

from matplotlib import pyplot as plt

from torchrl.envs.libs.dm_control import DMControlEnv

DMControlEnv.available_envs

env = DMControlEnv("acrobot", "swingup")
tensordict = env.reset()
print("result of reset: ", tensordict)
env.close()

当然，我们也可以使用基于像素的环境：

env = DMControlEnv("acrobot", "swingup", from_pixels=True, pixels_only=True)
tensordict = env.reset()
print("result of reset: ", tensordict)
plt.imshow(tensordict.get("pixels").numpy())
env.close()

转换环境

在将环境输出交由策略读取或存入缓冲区之前，通常需要对其进行预处理。

In many instances, the RL community has adopted a wrapping scheme of the type

$ env_transformed = wrapper1(wrapper2(env))

将环境进行转换。这有许多优点：它使得访问环境规格变得显而易见（外部包装器是外部世界的真实来源），并且它使得与向量化环境交互变得容易。然而，这也使得访问内部环境变得困难：假设一个人想要从链中移除一个包装器（例如 wrapper2），这个操作需要我们收集

$ env0 = env.env.env

$ env_transformed_bis = wrapper1(env0)

TorchRL 采用使用转换序列的立场，就像在其他 PyTorch 领域库中所做的那样（例如 torchvision）。这种方法也类似于 torch.distribution 中分布转换的方式，在那里围绕一个 base_dist 分布构建了一个 TransformedDistribution 对象和（一系列）transforms。

from torchrl.envs.transforms import ToTensorImage, TransformedEnv

# ToTensorImage transforms a numpy-like image into a tensor one,
env = DMControlEnv("acrobot", "swingup", from_pixels=True, pixels_only=True)
print("reset before transform: ", env.reset())

env = TransformedEnv(env, ToTensorImage())
print("reset after transform: ", env.reset())
env.close()

要组合变换，只需使用Compose类：

from torchrl.envs.transforms import Compose, Resize

env = DMControlEnv("acrobot", "swingup", from_pixels=True, pixels_only=True)
env = TransformedEnv(env, Compose(ToTensorImage(), Resize(32, 32)))
env.reset()

转换也可以逐个添加：

from torchrl.envs.transforms import GrayScale

env.append_transform(GrayScale())
env.reset()

如预期的那样，元数据也会被更新：

print("original obs spec: ", env.base_env.observation_spec)
print("current obs spec: ", env.observation_spec)

我们也可以根据需要拼接张量：

from torchrl.envs.transforms import CatTensors

env = DMControlEnv("acrobot", "swingup")
print("keys before concat: ", env.reset())

env = TransformedEnv(
    env,
    CatTensors(in_keys=["orientations", "velocity"], out_key="observation"),
)
print("keys after concat: ", env.reset())

此功能使得修改应用于环境输入和输出的变换集变得简单。实际上，变换在执行步骤之前和之后都会运行：对于预步骤传递，in_keys_inv 列表中的键将传递给 _inv_apply_transform 方法。这种变换的一个例子是将浮点数动作（神经网络的输出）转换为双精度类型（封装环境所需）。在步骤执行后，_apply_transform 方法将在由 in_keys 列表指示的键上执行。

另一个有趣的环境转换功能是它们允许用户检索包裹情况下的等效env.env，换句话说就是父环境。可以通过调用transform.parent来检索父环境：返回的环境将包含所有转换，直到（但不包括）当前转换。例如，在NoopResetEnv情况下，当重置时会执行以下步骤：在执行一定数量的随机步骤之前重置父环境。

env = DMControlEnv("acrobot", "swingup")
env = TransformedEnv(env)
env.append_transform(
    CatTensors(in_keys=["orientations", "velocity"], out_key="observation")
)
env.append_transform(GrayScale())

print("env: \n", env)
print("GrayScale transform parent env: \n", env.transform[1].parent)
print("CatTensors transform parent env: \n", env.transform[0].parent)

环境设备

转换可以在设备上运行，当操作具有中等或高度计算需求时，这可以带来显著的速度提升。这些包括 ToTensorImage, Resize, GrayScale 等。

人们完全可以合理地询问，这在被封装的环境层面意味着什么。对于常规环境而言，影响微乎其微：各项操作仍将发生在其本应发生的设备上。“torchrl”中环境的 device 属性指明了输入数据预期所在的设备，以及输出数据将生成于哪个设备。在该设备与其它设备之间进行数据类型转换，是 torchrl 环境类的责任。将数据存储在 GPU 上的主要优势有两点：（1）如前所述，可加速各类变换操作；（2）在多进程场景下，便于各工作进程间共享数据。

from torchrl.envs.transforms import CatTensors, GrayScale, TransformedEnv

env = DMControlEnv("acrobot", "swingup")
env = TransformedEnv(env)
env.append_transform(
    CatTensors(in_keys=["orientations", "velocity"], out_key="observation")
)

if torch.has_cuda and torch.cuda.device_count():
    env.to("cuda:0")
    env.reset()

并行运行环境

TorchRL 提供了并行运行环境的工具。通常要求各个环境读取和返回的张量具有相似的形状和数据类型（但若这些张量的形状不同，也可设计掩码函数来实现兼容）。创建此类环境非常简单。我们先来看最简单的情形：

from torchrl.envs import ParallelEnv


def env_make():
    return GymEnv("Pendulum-v1")


parallel_env = ParallelEnv(3, env_make)  # -> creates 3 envs in parallel
parallel_env = ParallelEnv(
    3, [env_make, env_make, env_make]
)  # similar to the previous command

The SerialEnv 类类似于 ParallelEnv，但不同之处在于环境是顺序运行的。这对于调试目的非常有用。

ParallelEnv 个实例以懒加载模式创建：环境仅在调用时才开始运行。这允许我们在进程之间移动 ParallelEnv 个对象，而无需过多担心运行进程。可以通过调用 ParallelEnv、start 或者简单地调用 reset（如果不需要先调用 step）来启动一个 reset。

parallel_env.reset()

可以检查并行环境是否具有正确的批量大小。 通常，batch_size 的第一部分表示批量， 第二部分表示时间帧。让我们使用 rollout 方法进行检查：

parallel_env.rollout(max_steps=20)

关闭并行环境

重要: 在关闭程序之前，重要的是要关闭并行环境。一般来说，即使在常规环境中，最好在函数末尾调用close。在某些情况下，如果不这样做，TorchRL会抛出错误（通常是在程序结束时，当环境超出作用域时！）

parallel_env.close()

随机数种子

在为并行环境设置种子时，我们面临的问题是我们不想为所有环境提供相同的种子。TorchRL 使用的启发式方法是，根据输入种子生成一个确定性的种子链，以一种可以说成马尔可夫的方式，使得可以从其任何元素重建该链。所有 set_seed 方法都将返回下一个要使用的种子，以便可以根据最后一个种子轻松地继续该链。这在多个收集器都包含一个 ParallelEnv 实例并且我们希望每个子子环境具有不同的种子时非常有用。

out_seed = parallel_env.set_seed(10)
print(out_seed)

del parallel_env

访问环境属性

有时，被封装的环境会具有某个值得关注的属性。首先请注意，TorchRL 环境封装器提供了访问该属性的工具。以下是一个示例：

from time import sleep

from uuid import uuid1


def env_make():
    env = GymEnv("Pendulum-v1")
    env._env.foo = f"bar_{uuid1()}"
    env._env.get_something = lambda r: r + 1
    return env


env = env_make()

# Goes through env._env
env.foo

parallel_env = ParallelEnv(3, env_make)  # -> creates 3 envs in parallel

# env has not been started --> error:
try:
    parallel_env.foo
except RuntimeError:
    print("Aargh what did I do!")
    sleep(2)  # make sure we don't get ahead of ourselves

if parallel_env.is_closed:
    parallel_env.start()
foo_list = parallel_env.foo
foo_list  # needs to be instantiated, for instance using list

list(foo_list)

同样地，也可以访问方法：

something = parallel_env.get_something(0)
print(something)

parallel_env.close()
del parallel_env

并行环境的kwargs

用户可能希望向各种环境提供关键字参数（kwargs）。这既可以在构造时完成，也可以在之后进行：

from torchrl.envs import ParallelEnv


def env_make(env_name):
    env = TransformedEnv(
        GymEnv(env_name, from_pixels=True, pixels_only=True),
        Compose(ToTensorImage(), Resize(64, 64)),
    )
    return env


parallel_env = ParallelEnv(
    2,
    [env_make, env_make],
    create_env_kwargs=[{"env_name": "ALE/AirRaid-v5"}, {"env_name": "ALE/Pong-v5"}],
)
tensordict = parallel_env.reset()

plt.figure()
plt.subplot(121)
plt.imshow(tensordict[0].get("pixels").permute(1, 2, 0).numpy())
plt.subplot(122)
plt.imshow(tensordict[1].get("pixels").permute(1, 2, 0).numpy())
parallel_env.close()
del parallel_env

from matplotlib import pyplot as plt

将并行环境转换为

并行环境的转换有两种等效方式：在每个进程中分别进行，或在主进程中统一进行。甚至可以同时采用这两种方式。 因此，可以仔细思考变换的设计，以充分利用设备能力（例如，在 CUDA 设备上执行变换），并在可能的情况下于主进程中对操作进行向量化处理。

from torchrl.envs import (
    Compose,
    GrayScale,
    ParallelEnv,
    Resize,
    ToTensorImage,
    TransformedEnv,
)


def env_make(env_name):
    env = TransformedEnv(
        GymEnv(env_name, from_pixels=True, pixels_only=True),
        Compose(ToTensorImage(), Resize(64, 64)),
    )  # transforms on remote processes
    return env


parallel_env = ParallelEnv(
    2,
    [env_make, env_make],
    create_env_kwargs=[{"env_name": "ALE/AirRaid-v5"}, {"env_name": "ALE/Pong-v5"}],
)
parallel_env = TransformedEnv(parallel_env, GrayScale())  # transforms on main process
tensordict = parallel_env.reset()

print("grayscale tensordict: ", tensordict)
plt.figure()
plt.subplot(121)
plt.imshow(tensordict[0].get("pixels").permute(1, 2, 0).numpy())
plt.subplot(122)
plt.imshow(tensordict[1].get("pixels").permute(1, 2, 0).numpy())
parallel_env.close()
del parallel_env

VecNorm

在强化学习（RL）中，我们通常面临在将数据输入模型之前对其进行归一化的难题。有时，我们可以借助环境中采集的数据（例如，通过随机策略或专家示范所收集的数据）对归一化统计量进行良好近似。然而，在某些情况下，更合适的做法是“在线”归一化数据，即逐步更新归一化常数，使其反映截至目前所观测到的数据分布。当任务性能发生变化、导致归一化统计量随之改变，或环境因外部因素而持续演化时，这种在线归一化方法尤为有用。

注意: 此功能应谨慎使用，尤其是在离策略学习中，因为旧数据将因之前有效的归一化统计而“过时”。在策略学习环境中也是如此，此功能会使学习不稳定，并可能产生意外效果。因此建议用户谨慎使用此功能，并将其与固定版本的归一化常数进行比较。

在常规设置中，使用 VecNorm 非常简单：

from torchrl.envs.libs.gym import GymEnv
from torchrl.envs.transforms import TransformedEnv, VecNorm

env = TransformedEnv(GymEnv("Pendulum-v1"), VecNorm())
tensordict = env.rollout(max_steps=100)

print("mean: :", tensordict.get("observation").mean(0))  # Approx 0
print("std: :", tensordict.get("observation").std(0))  # Approx 1

在 并行环境 中，事情稍微复杂一些，因为我们需要在进程之间共享运行统计信息。我们创建了一个类 EnvCreator，负责查看环境创建方法，检索要在环境类中进程间共享的张量字典，并在创建后将每个进程指向正确的公共、共享张量字典：

from torchrl.envs import EnvCreator, ParallelEnv
from torchrl.envs.libs.gym import GymEnv
from torchrl.envs.transforms import TransformedEnv, VecNorm

make_env = EnvCreator(lambda: TransformedEnv(GymEnv("CartPole-v1"), VecNorm(decay=1.0)))
env = ParallelEnv(3, make_env)
make_env.state_dict()["_extra_state"]["td"]["observation_count"].fill_(0.0)
make_env.state_dict()["_extra_state"]["td"]["observation_ssq"].fill_(0.0)
make_env.state_dict()["_extra_state"]["td"]["observation_sum"].fill_(0.0)

tensordict = env.rollout(max_steps=5)

print("tensordict: ", tensordict)
print("mean: :", tensordict.get("observation").view(-1, 3).mean(0))  # Approx 0
print("std: :", tensordict.get("observation").view(-1, 3).std(0))  # Approx 1

计数略高于步数（因为我们没有使用任何衰减）。两者之间的差异是由于ParallelEnv创建了一个虚拟环境来初始化共享的TensorDict，该共享用于从分配的环境中收集数据。这种微小的差异通常会在训练过程中被吸收。

print(
    "update counts: ",
    make_env.state_dict()["_extra_state"]["td"]["observation_count"],
)

env.close()
del env

估计内存使用量： 2873 MB