模仿学习2.5:IQ-Learn

news2026/3/17 12:57:43
概念直接从专家行为数据中学习Q 函数巧妙地绕过了传统方法中复杂且不稳定的对抗训练过程同时隐式地表达了奖励函数和最优策略只需用一个变量Q 函数来表示这两个函数从而高效、稳定地让智能体从专家示范中学会执行任务。工作流程初始化需要一个Q函数网络比如一个神经网络它的任务是学会给“状态-动作”对打分。初始时它是一张白纸什么都不知道。采样从专家数据集 Dexpert​ 采样轨迹 (s,a,s′)。只需要状态、动作和下一状态不需要环境提供的奖励信号因为奖励将由Q函数自己推导。目标计算计算目标软 Q 值。公式中的 r(s,a) 并不是环境给的而是由当前Q函数通过逆Bellman方程隐式推导出来的。更新用 MSE 损失优化 Q 网络。策略提取策略玻尔兹曼策略。策略不需要再经过任何强化学习优化直接从训练好的Q函数中提取即可。这是因为Q函数已经包含了最优策略的信息在软值函数框架下最优策略就是Q值的softmax。τ 越大策略越倾向于均匀探索τ→0时策略趋近于贪婪选择最大Q值的动作。代码实现官方代码仓库GitHub 链接:import datetime import os import random import time from collections import deque from itertools import count import types import hydra import numpy as np import torch import torch.nn.functional as F import wandb from omegaconf import DictConfig, OmegaConf from tensorboardX import SummaryWriter from wrappers.atari_wrapper import LazyFrames from make_envs import make_env from dataset.memory import Memory from agent import make_agent from utils.utils import eval_mode, average_dicts, get_concat_samples, evaluate, soft_update, hard_update from utils.logger import Logger from iq import iq_loss torch.set_num_threads(2) def get_args(cfg: DictConfig): cfg.device cuda:0 if torch.cuda.is_available() else cpu cfg.hydra_base_dir os.getcwd() print(OmegaConf.to_yaml(cfg)) return cfg hydra.main(config_pathconf, config_nameconfig) def main(cfg: DictConfig): args get_args(cfg) wandb.init(projectargs.project_name, entityiq-learn, sync_tensorboardTrue, reinitTrue, configargs) # set seeds random.seed(args.seed) np.random.seed(args.seed) torch.manual_seed(args.seed) device torch.device(args.device) if device.type cuda and torch.cuda.is_available() and args.cuda_deterministic: torch.backends.cudnn.benchmark False torch.backends.cudnn.deterministic True env_args args.env env make_env(args) eval_env make_env(args) # Seed envs env.seed(args.seed) eval_env.seed(args.seed 10) REPLAY_MEMORY int(env_args.replay_mem) INITIAL_MEMORY int(env_args.initial_mem) EPISODE_STEPS int(env_args.eps_steps) EPISODE_WINDOW int(env_args.eps_window) LEARN_STEPS int(env_args.learn_steps) INITIAL_STATES 128 # Num initial states to use to calculate value of initial state distribution s_0 agent make_agent(env, args) if args.pretrain: pretrain_path hydra.utils.to_absolute_path(args.pretrain) if os.path.isfile(pretrain_path): print( loading pretrain {}.format(args.pretrain)) agent.load(pretrain_path) else: print([Attention]: Did not find checkpoint {}.format(args.pretrain)) # Load expert data expert_memory_replay Memory(REPLAY_MEMORY//2, args.seed) expert_memory_replay.load(hydra.utils.to_absolute_path(fexperts/{args.env.demo}), num_trajsargs.expert.demos, sample_freqargs.expert.subsample_freq, seedargs.seed 42) print(f-- Expert memory size: {expert_memory_replay.size()}) online_memory_replay Memory(REPLAY_MEMORY//2, args.seed1) # Setup logging ts_str datetime.datetime.fromtimestamp(time.time()).strftime(%Y-%m-%d_%H-%M-%S) log_dir os.path.join(args.log_dir, args.env.name, args.exp_name, ts_str) writer SummaryWriter(log_dirlog_dir) print(f-- Saving logs at: {log_dir}) logger Logger(args.log_dir, log_frequencyargs.log_interval, writerwriter, save_tbTrue, agentargs.agent.name) steps 0 # track mean reward and scores scores_window deque(maxlenEPISODE_WINDOW) # last N scores rewards_window deque(maxlenEPISODE_WINDOW) # last N rewards best_eval_returns -np.inf learn_steps 0 begin_learn False episode_reward 0 # Sample initial states from env state_0 [env.reset()] * INITIAL_STATES if isinstance(state_0[0], LazyFrames): state_0 np.array(state_0) / 255.0 state_0 torch.FloatTensor(np.array(state_0)).to(args.device) for epoch in count(): state env.reset() episode_reward 0 done False start_time time.time() for episode_step in range(EPISODE_STEPS): if steps args.num_seed_steps: # Seed replay buffer with random actions action env.action_space.sample() else: with eval_mode(agent): action agent.choose_action(state, sampleTrue) next_state, reward, done, _ env.step(action) episode_reward reward steps 1 if learn_steps % args.env.eval_interval 0: eval_returns, eval_timesteps evaluate(agent, eval_env, num_episodesargs.eval.eps) returns np.mean(eval_returns) learn_steps 1 # To prevent repeated eval at timestep 0 logger.log(eval/episode_reward, returns, learn_steps) logger.log(eval/episode, epoch, learn_steps) logger.dump(learn_steps, tyeval) # print(EVAL\tEp {}\tAverage reward: {:.2f}\t.format(epoch, returns)) if returns best_eval_returns: # Store best eval returns best_eval_returns returns wandb.run.summary[best_returns] best_eval_returns save(agent, epoch, args, output_dirresults_best) # only store done true when episode finishes without hitting timelimit (allow infinite bootstrap) done_no_lim done if str(env.__class__.__name__).find(TimeLimit) 0 and episode_step 1 env._max_episode_steps: done_no_lim 0 online_memory_replay.add((state, next_state, action, reward, done_no_lim)) if online_memory_replay.size() INITIAL_MEMORY: # Start learning if begin_learn is False: print(Learn begins!) begin_learn True learn_steps 1 if learn_steps LEARN_STEPS: print(Finished!) wandb.finish() return ###### # IQ-Learn Modification agent.iq_update types.MethodType(iq_update, agent) agent.iq_update_critic types.MethodType(iq_update_critic, agent) losses agent.iq_update(online_memory_replay, expert_memory_replay, logger, learn_steps) ###### if learn_steps % args.log_interval 0: for key, loss in losses.items(): writer.add_scalar(key, loss, global_steplearn_steps) if done: break state next_state rewards_window.append(episode_reward) logger.log(train/episode, epoch, learn_steps) logger.log(train/episode_reward, episode_reward, learn_steps) logger.log(train/duration, time.time() - start_time, learn_steps) logger.dump(learn_steps, savebegin_learn) # print(TRAIN\tEp {}\tAverage reward: {:.2f}\t.format(epoch, np.mean(rewards_window))) save(agent, epoch, args, output_dirresults) def save(agent, epoch, args, output_dirresults): if epoch % args.save_interval 0: if args.method.type sqil: name fsqil_{args.env.name} else: name fiq_{args.env.name} if not os.path.exists(output_dir): os.mkdir(output_dir) agent.save(f{output_dir}/{args.agent.name}_{name}) # Minimal IQ-Learn objective def iq_learn_update(self, policy_batch, expert_batch, logger, step): args self.args policy_obs, policy_next_obs, policy_action, policy_reward, policy_done policy_batch expert_obs, expert_next_obs, expert_action, expert_reward, expert_done expert_batch if args.only_expert_states: expert_batch expert_obs, expert_next_obs, policy_action, expert_reward, expert_done obs, next_obs, action, reward, done, is_expert get_concat_samples( policy_batch, expert_batch, args) loss_dict {} ###### # IQ-Learn minimal implementation with X^2 divergence (~15 lines) # Calculate 1st term of loss: -E_(ρ_expert)[Q(s, a) - γV(s)] current_Q self.critic(obs, action) y (1 - done) * self.gamma * self.getV(next_obs) if args.train.use_target: with torch.no_grad(): y (1 - done) * self.gamma * self.get_targetV(next_obs) reward (current_Q - y)[is_expert] loss -(reward).mean() # 2nd term for our loss (use expert and policy states): E_(ρ)[Q(s,a) - γV(s)] value_loss (self.getV(obs) - y).mean() loss value_loss # Use χ2 divergence (adds a extra term to the loss) chi2_loss 1/(4 * args.method.alpha) * (reward**2).mean() loss chi2_loss ###### self.critic_optimizer.zero_grad() loss.backward() self.critic_optimizer.step() return loss def iq_update_critic(self, policy_batch, expert_batch, logger, step): args self.args policy_obs, policy_next_obs, policy_action, policy_reward, policy_done policy_batch expert_obs, expert_next_obs, expert_action, expert_reward, expert_done expert_batch if args.only_expert_states: # Use policy actions instead of experts actions for IL with only observations expert_batch expert_obs, expert_next_obs, policy_action, expert_reward, expert_done batch get_concat_samples(policy_batch, expert_batch, args) obs, next_obs, action batch[0:3] agent self current_V self.getV(obs) if args.train.use_target: with torch.no_grad(): next_V self.get_targetV(next_obs) else: next_V self.getV(next_obs) if DoubleQ in self.args.q_net._target_: current_Q1, current_Q2 self.critic(obs, action, bothTrue) q1_loss, loss_dict1 iq_loss(agent, current_Q1, current_V, next_V, batch) q2_loss, loss_dict2 iq_loss(agent, current_Q2, current_V, next_V, batch) critic_loss 1/2 * (q1_loss q2_loss) # merge loss dicts loss_dict average_dicts(loss_dict1, loss_dict2) else: current_Q self.critic(obs, action) critic_loss, loss_dict iq_loss(agent, current_Q, current_V, next_V, batch) logger.log(train/critic_loss, critic_loss, step) # Optimize the critic self.critic_optimizer.zero_grad() critic_loss.backward() # step critic self.critic_optimizer.step() return loss_dict def iq_update(self, policy_buffer, expert_buffer, logger, step): policy_batch policy_buffer.get_samples(self.batch_size, self.device) expert_batch expert_buffer.get_samples(self.batch_size, self.device) losses self.iq_update_critic(policy_batch, expert_batch, logger, step) if self.actor and step % self.actor_update_frequency 0: if not self.args.agent.vdice_actor: if self.args.offline: obs expert_batch[0] else: # Use both policy and expert observations obs torch.cat([policy_batch[0], expert_batch[0]], dim0) if self.args.num_actor_updates: for i in range(self.args.num_actor_updates): actor_alpha_losses self.update_actor_and_alpha(obs, logger, step) losses.update(actor_alpha_losses) if step % self.critic_target_update_frequency 0: if self.args.train.soft_update: soft_update(self.critic_net, self.critic_target_net, self.critic_tau) else: hard_update(self.critic_net, self.critic_target_net) return losses if __name__ __main__: main()

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2419472.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SpringBoot-17-MyBatis动态SQL标签之常用标签

文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站,会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后,网站没有变化的情况。 不熟悉siteground主机的新手,遇到这个问题,就很抓狂,明明是哪都没操作错误&#x…

网络编程(Modbus进阶)

思维导图 Modbus RTU(先学一点理论) 概念 Modbus RTU 是工业自动化领域 最广泛应用的串行通信协议,由 Modicon 公司(现施耐德电气)于 1979 年推出。它以 高效率、强健性、易实现的特点成为工业控制系统的通信标准。 包…

UE5 学习系列(二)用户操作界面及介绍

这篇博客是 UE5 学习系列博客的第二篇,在第一篇的基础上展开这篇内容。博客参考的 B 站视频资料和第一篇的链接如下: 【Note】:如果你已经完成安装等操作,可以只执行第一篇博客中 2. 新建一个空白游戏项目 章节操作,重…

IDEA运行Tomcat出现乱码问题解决汇总

最近正值期末周,有很多同学在写期末Java web作业时,运行tomcat出现乱码问题,经过多次解决与研究,我做了如下整理: 原因: IDEA本身编码与tomcat的编码与Windows编码不同导致,Windows 系统控制台…

利用最小二乘法找圆心和半径

#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …

使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式

一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明&#xff1a;假设每台服务器已…

XML Group端口详解

在XML数据映射过程中&#xff0c;经常需要对数据进行分组聚合操作。例如&#xff0c;当处理包含多个物料明细的XML文件时&#xff0c;可能需要将相同物料号的明细归为一组&#xff0c;或对相同物料号的数量进行求和计算。传统实现方式通常需要编写脚本代码&#xff0c;增加了开…

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器的上位机配置操作说明

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器专为工业环境精心打造&#xff0c;完美适配AGV和无人叉车。同时&#xff0c;集成以太网与语音合成技术&#xff0c;为各类高级系统&#xff08;如MES、调度系统、库位管理、立库等&#xff09;提供高效便捷的语音交互体验。 L…

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目&#xff1a;3442. 奇偶频次间的最大差值 I 思路 &#xff1a;哈希&#xff0c;时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况&#xff0c;哈希表这里用数组即可实现。 C版本&#xff1a; class Solution { public:int maxDifference(string s) {int a[26]…

【大模型RAG】拍照搜题技术架构速览:三层管道、两级检索、兜底大模型

摘要 拍照搜题系统采用“三层管道&#xff08;多模态 OCR → 语义检索 → 答案渲染&#xff09;、两级检索&#xff08;倒排 BM25 向量 HNSW&#xff09;并以大语言模型兜底”的整体框架&#xff1a; 多模态 OCR 层 将题目图片经过超分、去噪、倾斜校正后&#xff0c;分别用…

【Axure高保真原型】引导弹窗

今天和大家中分享引导弹窗的原型模板&#xff0c;载入页面后&#xff0c;会显示引导弹窗&#xff0c;适用于引导用户使用页面&#xff0c;点击完成后&#xff0c;会显示下一个引导弹窗&#xff0c;直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…

接口测试中缓存处理策略

在接口测试中&#xff0c;缓存处理策略是一个关键环节&#xff0c;直接影响测试结果的准确性和可靠性。合理的缓存处理策略能够确保测试环境的一致性&#xff0c;避免因缓存数据导致的测试偏差。以下是接口测试中常见的缓存处理策略及其详细说明&#xff1a; 一、缓存处理的核…

龙虎榜——20250610

上证指数放量收阴线&#xff0c;个股多数下跌&#xff0c;盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型&#xff0c;指数短线有调整的需求&#xff0c;大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的&#xff1a;御银股份、雄帝科技 驱动…

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…

铭豹扩展坞 USB转网口 突然无法识别解决方法

当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…

Linux应用开发之网络套接字编程(实例篇)

服务端与客户端单连接 服务端代码 #include <sys/socket.h> #include <sys/types.h> #include <netinet/in.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <arpa/inet.h> #include <pthread.h> …

华为云AI开发平台ModelArts

华为云ModelArts&#xff1a;重塑AI开发流程的“智能引擎”与“创新加速器”&#xff01; 在人工智能浪潮席卷全球的2025年&#xff0c;企业拥抱AI的意愿空前高涨&#xff0c;但技术门槛高、流程复杂、资源投入巨大的现实&#xff0c;却让许多创新构想止步于实验室。数据科学家…

深度学习在微纳光子学中的应用

深度学习在微纳光子学中的主要应用方向 深度学习与微纳光子学的结合主要集中在以下几个方向&#xff1a; 逆向设计 通过神经网络快速预测微纳结构的光学响应&#xff0c;替代传统耗时的数值模拟方法。例如设计超表面、光子晶体等结构。 特征提取与优化 从复杂的光学数据中自…