开始使用您自己的第一个训练循环

作者： Vincent Moens

注意

要在笔记本中运行本教程，请添加安装单元 开头包含：

!pip install tensordict
!pip install torchrl

是时候在此入门中总结我们到目前为止所学到的所有内容了 系列！

在本教程中，我们将编写最基本的训练循环 仅使用我们在前几节课中介绍的组件。

我们将使用带有 CartPole 环境的 DQN 作为原型示例。

我们将自愿将详细程度保持在最低限度，只链接 每个部分都添加到相关教程中。

构建环境

我们将使用具有转换的健身房环境。如果您需要复习一下，请查看环境教程中介绍的这些功能。

import torch

torch.manual_seed(0)

import time

from torchrl.envs import GymEnv, StepCounter, TransformedEnv

env = TransformedEnv(GymEnv("CartPole-v1"), StepCounter())
env.set_seed(0)

from tensordict.nn import TensorDictModule as Mod, TensorDictSequential as Seq

设计策略

下一步是制定我们的政策。 我们将制作一个常规的、确定性的 在 loss 模块中和评估期间使用的 actor 的版本。 接下来，我们将使用探索模块对其进行增强 进行推理。

from torchrl.modules import EGreedyModule, MLP, QValueModule

value_mlp = MLP(out_features=env.action_spec.shape[-1], num_cells=[64, 64])
value_net = Mod(value_mlp, in_keys=["observation"], out_keys=["action_value"])
policy = Seq(value_net, QValueModule(spec=env.action_spec))
exploration_module = EGreedyModule(
    env.action_spec, annealing_num_steps=100_000, eps_init=0.5
)
policy_explore = Seq(policy, exploration_module)

数据收集器和重放缓冲区

数据部分来了：我们需要一个数据收集器来轻松获取批量数据 以及一个重放缓冲区，用于存储用于训练的数据。

from torchrl.collectors import SyncDataCollector
from torchrl.data import LazyTensorStorage, ReplayBuffer

init_rand_steps = 5000
frames_per_batch = 100
optim_steps = 10
collector = SyncDataCollector(
    env,
    policy_explore,
    frames_per_batch=frames_per_batch,
    total_frames=-1,
    init_random_frames=init_rand_steps,
)
rb = ReplayBuffer(storage=LazyTensorStorage(100_000))

from torch.optim import Adam

损失模块和优化器

我们按照专用教程中的指示构建我们的损失，其中 其优化器和目标参数更新器：

from torchrl.objectives import DQNLoss, SoftUpdate

loss = DQNLoss(value_network=policy, action_space=env.action_spec, delay_value=True)
optim = Adam(loss.parameters(), lr=0.02)
updater = SoftUpdate(loss, eps=0.99)

记录

我们将使用 CSV 记录器来记录我们的结果，并保存渲染的视频。

from torchrl._utils import logger as torchrl_logger
from torchrl.record import CSVLogger, VideoRecorder

path = "./training_loop"
logger = CSVLogger(exp_name="dqn", log_dir=path, video_format="mp4")
video_recorder = VideoRecorder(logger, tag="video")
record_env = TransformedEnv(
    GymEnv("CartPole-v1", from_pixels=True, pixels_only=False), video_recorder
)

训练循环

我们不会固定要运行的特定迭代次数，而是继续运行 训练网络，直到它达到一定的性能（任意 定义为环境中的 200 个步骤 – 使用 CartPole 时，成功被定义为 具有更长的轨迹）。

total_count = 0
total_episodes = 0
t0 = time.time()
for i, data in enumerate(collector):
    # Write data in replay buffer
    rb.extend(data)
    max_length = rb[:]["next", "step_count"].max()
    if len(rb) > init_rand_steps:
        # Optim loop (we do several optim steps
        # per batch collected for efficiency)
        for _ in range(optim_steps):
            sample = rb.sample(128)
            loss_vals = loss(sample)
            loss_vals["loss"].backward()
            optim.step()
            optim.zero_grad()
            # Update exploration factor
            exploration_module.step(data.numel())
            # Update target params
            updater.step()
            if i % 10:
                torchrl_logger.info(f"Max num steps: {max_length}, rb length {len(rb)}")
            total_count += data.numel()
            total_episodes += data["next", "done"].sum()
    if max_length > 200:
        break

t1 = time.time()

torchrl_logger.info(
    f"solved after {total_count} steps, {total_episodes} episodes and in {t1-t0}s."
)

渲染

最后，我们运行环境尽可能多的步骤，并将 视频（请注意，我们不是在探索）。

record_env.rollout(max_steps=1000, policy=policy)
video_recorder.dump()

这是您渲染的 CartPole 视频在完整 训练循环：

我们的 “TorchRL 入门” 系列教程到此结束！ 欢迎在 GitHub 上分享有关它的反馈。

估计内存使用量：323 MB