当前位置: 首页 > article >正文

模仿学习2.5:IQ-Learn

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()

相关文章:

模仿学习2.5:IQ-Learn

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…...

Agent总是记不住?字节跳动开源OpenViking,用文件系统重构记忆

title: 字节跳动开源OpenViking:用「文件系统」重构AI Agent记忆,这才是正解 date: 2026-03-15 tags: [AI Agent, OpenViking, 字节跳动, 上下文管理] status: draft 说实话,做 AI Agent 开发最头疼的是什么?不是模型不够聪明&am…...

go-micro生成一个通用的grpc接口

创建一个基于 go-micro 的通用 gRPC 接口示例。go-micro 是一个流行的 Go 微服务框架,对 gRPC 提供了很好的支持。以下是一个完整的通用 gRPC 接口实现:1. 项目结构plain复制grpc-generic/ ├── proto/ │ └── generic.proto # Protocol Buf…...

COMSOL模拟干热岩地热开发中的THM耦合效应分析

COMSOL干热岩-地热THM耦合COMSOL桌面突然弹出一个未保存的模型——这已经是我这周第三次遇到岩层裂缝扩展不收敛的问题了。盯着屏幕上红彤彤的报错提示,突然意识到搞干热岩THM耦合仿真就像在虚拟地底玩俄罗斯方块,得把热力场(T)、渗流场(H)、应力场(M)三…...

基于扩散渗流的双孔介质煤层瓦斯流动模型,可模拟抽采半径,分析不同工况的抽采效果等COMSOL-...

基于扩散渗流的双孔介质煤层瓦斯流动模型,可模拟抽采半径,分析不同工况的抽采效果等COMSOL-双重介质煤层瓦斯抽采模拟案例 双重介质煤层瓦斯抽采模拟 包括 单孔抽采模拟-不同初始瓦斯压力和多孔抽采模型-不同抽采负压打开COMSOL时突然想到&#…...

分布式驱动下的直接横摆力矩控制MPC

分布式驱动 直接横摆力矩控制MPC 自己写的,效果如图踩下电门的那一刻,四台轮毂电机同时爆发的推背感让我意识到——这辆分布式驱动实验车和普通家用车根本不是一个维度的生物。但真正让我着迷的,是当它在80km/h急变道时,四个车轮像…...

Comsol相场法压裂案例:“裂纹相场法模拟及参考文献”

Comsol相场法压裂案例及相关参考文献 裂纹相场法模拟包括 1. 单边裂纹受剪切载荷作用 2. 单边裂纹受拉伸载荷作用 3. 初始地应力场作用下多孔介质水力压裂相场法压裂:用COMSOL玩转裂纹的三种姿势Comsol相场法压裂案例及相关参考文献 裂纹相场法模拟包括 1. 单边裂纹…...

COMSOL流沙层注浆数值模拟研究案例

COMSOL流沙层注浆数值模拟研究 案例本模型来源于文献复现,该文献分析了流沙层地质结构特点,应用有限元分析软件COMSOL Multiphysics对流沙层渗透注浆进行稳态与瞬态的数值模拟研究,分别计算了静水条件下和动水条件下注浆浆液扩散过程&#xf…...

【Java程序员转大模型开发 基础篇-向量数据库 看这一篇全盘掌握】

前期知识回顾 Java程序员转大模型开发 基础篇 Java程序员转大模型开发 实战篇-rag系统连接redis 提示:写完文章后,目录可以自动生成,如何生成可参考右边的帮助文档 文章目录前期知识回顾前言什么是向量数据库为什么要使用向量数据库向量数据…...

web个人博客系统——测试报告

一、报告概述1.项目背景本次测试的项目为个人博客系统,是为满足个人博客撰写而研发的Web 系统。系统主要实现用户登录、博客编辑、博客管理等业务能力,用于提供个人博客网页。为保障系统上线后功能正常、流程稳定、用户体验良好,按照项目计划…...

手把手玩转UUV三维路径跟踪

UUV三维路径跟踪,LOS制导PID控制实现 模型参数可调,期望轨迹可调,速度可调 MATLAB编程实现想要可直接联系~~~水下无人潜器(UUV)的路径跟踪听着高大上,但其实只要抓住LOS制导PID这对黄金组合,配合…...

高清互联双雄@ACP#GSV6155 与 SD642 赋能多场景显示切换新生态

在 Type-C 拓展坞、多屏显示终端、KVM 切换器等设备爆发式增长的当下,信号传输的稳定性、兼容性与切换灵活性成为产品竞争力的核心。基石酷联(GSCoolink)推出的 GSV6155 高性能信号重定时器与 SD642 高速多路复用器,以互补协同的产…...

基于三菱PLC的五层电梯控制系统设计探索

No.614 基于三菱PLC的五层电梯控制系统的设计5层电梯在自动化控制领域,电梯控制系统一直是一个经典且复杂的项目。今天咱就聊聊基于三菱PLC的五层电梯控制系统设计,这个系统设计可不简单,涉及到好多关键的逻辑和功能实现。 硬件框架 五层电梯…...

【Java SE】super 关键字详解

super 关键字详解 super 的本质与作用super 的三种用法a) 调用父类构造方法b) 访问父类属性b) 调用父类方法 深入理解 super 的查找机制(查找路径规则)super 与 this 的完整对比常见陷阱陷阱1:在静态方法中使用 super陷阱2:super …...

【2026年拼多多春招- 3月15日 -第四题- 多多的扩容计划】(题目+思路+JavaC++Python解析+在线测试)

题目内容 多多最近在做一条服务链路的大促扩容预案。他拿到了未来nnn个时间点的负载预测。 第iii个时间点 业务需求为aia_i...

洛谷 B4500:[GESP202603 三级] 凯撒密码 ← 字符串

【题目来源】 https://www.luogu.com.cn/problem/B4500 【题目描述】 凯撒密码是一种替换加密技术,明文中的所有字母都在字母表上向后(或向前)按照一个固定数目进行偏移后被替换成密文。例如,当偏移量是 3 的时候,所有…...

基于超螺旋滑模观测器的永磁同步电机无位置传感器控制策略全套仿真与公式推导资料更新及调试过程图文详解

最新版基于超螺旋滑模观测器的永磁同步电机无位置传感器控制策略 全套仿真、公式推导、配套论文以及调试过程如图 补充最新资料最近在实验室折腾永磁同步电机的无感控制,发现超螺旋滑模观测器这玩意儿真香。传统滑模观测器抖得跟筛糠似的,信号噪声能把人…...

Java 文件操作与 IO 流入门指南

在 Java 开发中,文件操作与 IO 流是处理数据持久化、数据交互的核心能力。本文将结合代码实例与核心概念,带你系统梳理 Java 文件 IO 的基础用法与设计思想。一、核心前置认知:输入输出的本质在文件 IO 体系中,输入与输出的定义需…...

目标检测数据集 第130期-基于yolo标注格式的纺织品纹理缺陷检测数据集(含免费分享)

目录 目标检测数据集 第130期-基于yolo标注格式的纺织品纹理缺陷检测数据集(含免费分享) 超实用纺织品纹理缺陷检测数据集分享,助力计算机视觉研究! 1、背景 2、数据详情 2.1 数据规模与构成 2.2 图像内容与场景 2.3 标注规范 3、应用场景 3.1 …...

如何在中国国内下载GitLab的源代码

明德融创工作室(Minter Fusion Studio, MFS) 出品 一、GitLab概述 1. Git Git是一个免费、开源、高性能的分布式版本控制系统。它可以记录下你对文件所做出的每一次修改,你可以随时查看谁在什么时候修改了文件的哪个部分。 Git是当今世界上…...

【测试基础】02-软件的生命周期和软件的测试流程

什么是软件工程(了解) 软件开发语言 机器码->汇编语言->c语言->高级语言(java) 定义 随着我们c语月的诞生,开发软件变得更加的团队化,因此暴露出一个巨大的问题,就是协作。 我们迫切需要一个方法和手段来约束我们的开发过程&#xf…...

Sentinel 集群限流:分布式服务统一控流

在分布式微服务架构成为企业标配的今天,流量管控早已告别“单机单打独斗”的时代。当一个服务部署数十甚至上百个实例,单机限流的局限性愈发凸显——单实例流量未超阈值,集群总流量却可能因分布不均而超限,最终导致服务雪崩、业务…...

【RAG】【Data-Processor】【node_parsers03】语义双重合并分块(Semantic Double Merging Chunking)案例分析

本案例展示了如何使用LlamaIndex中的语义双重合并分块器(SemanticDoubleMergingSplitterNodeParser)来智能地分割文本,这是一种更高级的语义分块方法,通过双重合并过程来创建语义连贯的文本块。1. 案例目标本案例的主要目标是:演示语义双重合…...

深入浅出计算机网络基石:详解 OSI 模型、TCP/IP 模型及数据通信全过程

前言大家好,这里是程序员阿亮,今天也是在公司里面当起黑奴了,实习生,大小周,不包饭,吃公司饭还要收钱。。。但是博客还是要写滴今天来给大家讲解一下OSI七层模型和TCP/IP模型这是计算机网络中的基础架构&am…...

【“小白致命坑”】[特殊字符] 备战蓝桥杯C++:别再写嵌套循环了!一招掌握 STL 结构体多级排序

【“小白致命坑”】🚀 备战蓝桥杯C:别再写嵌套循环了!一招掌握 STL 结构体多级排序 在备战蓝桥杯的过程中,我们经常会遇到一类非常经典的排序题(比如历年真题中的“奖学金”问题): “先按总分从…...

C语言_指针函数double字面量运算符

1、/除法运算符 //printf( 1/3); 输出是0, 无打印 printf( 4/3); 报错 printf(“%d\n”, 4/3); 正常,输出1 确保printf的第一个参数是一个字符串字面量,即直接用双引号括起来的字符串。 2、指针: 地址运算符& 和间接运算符 * &nur…...

免费开源毕设:基于YOLO的道路缺陷检测系统

🛣️ 基于 YOLO 的道路缺陷检测系统 (Road Defect Detection System) 本项目是一个功能完整的道路缺陷(如路面坑洼 Pothole)智能检测系统。基于最新的 Ultralytics YOLO 系列模型构建,并提供了一个美观、易用的 Streamlit Web 交…...

Java必背45道

一、Java基础8道 1. 和 equals() 的区别是什么? 在java中 和 equals()主要的区别在于比较的内容不同。是一个运算符,对于基本数据类型来说,比较的是数值本身,比如比较两个int 数值是否相同;对于引用数据类型&#xf…...

Phi-3-vision-128k-instruct惊艳案例:宠物照片→品种识别+健康风险+喂养建议

Phi-3-vision-128k-instruct惊艳案例:宠物照片→品种识别健康风险喂养建议 1. 模型简介 Phi-3-Vision-128K-Instruct 是一款轻量级的多模态模型,专注于高质量的文本和视觉数据处理。作为 Phi-3 模型家族的一员,它支持长达128K的上下文长度&…...

【Docker 27集群调度优化终极指南】:20年SRE亲测的7大反模式与5个生产级调优阈值

第一章:Docker 27集群调度优化的认知跃迁Docker 27(即 Docker Engine v27.x)引入了调度器内核级重构与资源感知型调度策略,标志着从静态标签匹配向动态拓扑感知的范式转变。传统基于 docker service create --constraint 的硬性约…...