现在还做自适应网站成都装修全包价格表

现在还做自适应网站,成都装修全包价格表,flash网站php源码,宁波市网站建设摘要#xff1a; 纸上得来终觉浅#xff0c;绝知此事要躬行。看懂了论文公式#xff0c;不代表能写对代码。在 Offline RL 中#xff0c;数据处理的细节、网络初始化的技巧以及Loss 的计算顺序#xff0c;往往比算法原理本身更能决定成败。本文将带你从零构建一个完整的 I…摘要纸上得来终觉浅绝知此事要躬行。看懂了论文公式不代表能写对代码。在 Offline RL 中数据处理的细节、网络初始化的技巧以及Loss 的计算顺序往往比算法原理本身更能决定成败。本文将带你从零构建一个完整的 IQL 训练流程涵盖 D4RL 数据加载、归一化处理、核心 Loss 实现以及工业级的训练 Trick。目录准备工作数据加载与归一化网络架构V, Q 与 Policy核心逻辑IQL 的三个 Loss完整的 Update Step 代码稳定训练的工程技巧 (Tricks)常见 Bug 与排查方法1. 准备工作数据加载与归一化这是 Offline RL 中最重要的一步90% 的失败案例都是因为没有对 State 进行归一化。1.1 加载 D4RL首先你需要安装d4rl。D4RL 的数据集通常包含observations,actions,rewards,terminals等字段。1.2 标准化 (Normalization)由于 State 的不同维度可能有巨大的数值差异例如位置坐标是 100而速度是 0.01直接训练会导致梯度爆炸或收敛极慢。我们必须把 State 归一化到均值为 0方差为 1。importtorchimportnumpyasnpimportd4rlimportgymdefget_dataset(env):datasetd4rl.qlearning_dataset(env)# 转换为 Tensorstatestorch.from_numpy(dataset[observations]).float()actionstorch.from_numpy(dataset[actions]).float()rewardstorch.from_numpy(dataset[rewards]).float()next_statestorch.from_numpy(dataset[next_observations]).float()donestorch.from_numpy(dataset[terminals]).float()returnstates,actions,rewards,next_states,donesdefnormalize_states(states,next_states):# 计算统计量meanstates.mean(dim0,keepdimTrue)stdstates.std(dim0,keepdimTrue)1e-3# 防止除零# 归一化states(states-mean)/std next_states(next_states-mean)/stdreturnstates,next_states,mean,std2. 网络架构V, Q 与 PolicyIQL 需要三个网络Q Network (Twin)评估( s , a ) (s, a)(s,a)的价值。为了稳定通常用两个 Q 网络 (Q 1 , Q 2 Q_1, Q_2Q1​,Q2​)。V Network评估状态s ss的价值作为 Expectile。Policy Network输出动作分布通常是 Gaussian。importtorch.nnasnnimporttorch.nn.functionalasFclassMLP(nn.Module):def__init__(self,input_dim,output_dim,hidden_dim256):super().__init__()self.netnn.Sequential(nn.Linear(input_dim,hidden_dim),nn.ReLU(),nn.Linear(hidden_dim,hidden_dim),nn.ReLU(),nn.Linear(hidden_dim,output_dim))defforward(self,x):returnself.net(x)# 策略网络通常输出均值和方差classGaussianPolicy(nn.Module):def__init__(self,state_dim,action_dim):super().__init__()self.netnn.Sequential(nn.Linear(state_dim,256),nn.ReLU(),nn.Linear(256,256),nn.ReLU())self.munn.Linear(256,action_dim)self.log_stdnn.Parameter(torch.zeros(action_dim))# 可学习的 log_stddefforward(self,state):xself.net(state)muself.mu(x)# 限制 log_std 范围防止方差过大或过小关键 Tricklog_stdtorch.clamp(self.log_std,-20,2)stdtorch.exp(log_std)returntorch.distributions.Normal(mu,std)defget_action(self,state,deterministicFalse):distself.forward(state)ifdeterministic:returntorch.tanh(dist.mean)# 测试时用均值returntorch.tanh(dist.sample())# 训练时采样3. 核心逻辑IQL 的三个 LossIQL 的核心是非对称的 Expectile Loss。defexpectile_loss(diff,expectile0.7):# diff Q - V# 当 Q V 时 (diff 0)权重为 expectile (比如 0.7)# 当 Q V 时 (diff 0)权重为 1-expectile (比如 0.3)# 这会使 V 倾向于靠近 Q 分布的上边缘weighttorch.where(diff0,expectile,(1-expectile))returntorch.mean(weight*(diff**2))4. 完整的 Update Step 代码将所有组件拼装起来。注意 Target Network 的使用和梯度的阻断。classIQL_Agent:def__init__(self,state_dim,action_dim,device):self.q1MLP(state_dimaction_dim,1).to(device)self.q2MLP(state_dimaction_dim,1).to(device)self.target_q1copy.deepcopy(self.q1)# Target Q用于稳定训练self.target_q2copy.deepcopy(self.q2)self.vMLP(state_dim,1).to(device)self.actorGaussianPolicy(state_dim,action_dim).to(device)# 优化器self.q_optimizertorch.optim.Adam(list(self.q1.parameters())list(self.q2.parameters()),lr3e-4)self.v_optimizertorch.optim.Adam(self.v.parameters(),lr3e-4)self.actor_optimizertorch.optim.Adam(self.actor.parameters(),lr3e-4)self.expectile0.7# IQL 核心超参self.temperature3.0# AWR 核心超参self.gamma0.99self.tau0.005# 软更新系数defupdate(self,batch):states,actions,rewards,next_states,donesbatch# ---------------------------------------# 1. Update V (Expectile Regression)# ---------------------------------------withtorch.no_grad():# 使用 Target Q 来计算 V 的目标更稳定q1_tself.target_q1(torch.cat([states,actions],dim1))q2_tself.target_q2(torch.cat([states,actions],dim1))min_qtorch.min(q1_t,q2_t)v_predself.v(states)v_lossexpectile_loss(min_q-v_pred,self.expectile)self.v_optimizer.zero_grad()v_loss.backward()self.v_optimizer.step()# ---------------------------------------# 2. Update Q (MSE Loss)# ---------------------------------------withtorch.no_grad():next_vself.v(next_states)# 关键IQL 的 Q target 使用 V(s)不使用 max Q(s, a)q_targetrewardsself.gamma*(1-dones)*next_v q1_predself.q1(torch.cat([states,actions],dim1))q2_predself.q2(torch.cat([states,actions],dim1))q_lossF.mse_loss(q1_pred,q_target)F.mse_loss(q2_pred,q_target)self.q_optimizer.zero_grad()q_loss.backward()self.q_optimizer.step()# ---------------------------------------# 3. Update Policy (Advantage Weighted Regression)# ---------------------------------------withtorch.no_grad():# 计算优势函数 A(s, a) Q(s, a) - V(s)q1self.target_q1(torch.cat([states,actions],dim1))q2self.target_q2(torch.cat([states,actions],dim1))min_qtorch.min(q1,q2)vself.v(states)advantagemin_q-v# 计算权重 exp(A / T)exp_advtorch.exp(advantage/self.temperature)# 限制权重上限防止数值不稳定exp_advtorch.clamp(exp_adv,max100.0)# 计算 Policy 的 log_prob(a|s)distself.actor(states)log_probdist.log_prob(actions).sum(dim-1,keepdimTrue)# Loss - weights * log_prob (加权最大似然)actor_loss-(exp_adv*log_prob).mean()self.actor_optimizer.zero_grad()actor_loss.backward()self.actor_optimizer.step()# ---------------------------------------# 4. Soft Update Target Networks# ---------------------------------------self.soft_update(self.q1,self.target_q1)self.soft_update(self.q2,self.target_q2)defsoft_update(self,local_model,target_model):fortarget_param,local_paraminzip(target_model.parameters(),local_model.parameters()):target_param.data.copy_(self.tau*local_param.data(1.0-self.tau)*target_param.data)5. 稳定训练的工程技巧 (Tricks)如果只写上面的代码你可能只能在简单任务上跑通。想在 AntMaze 上拿分还需要以下 TrickCosine Learning Rate DecayOffline RL 容易过拟合。在训练最后阶段将学习率衰减到 0能显著提升测试性能。schedulertorch.optim.lr_scheduler.CosineAnnealingLR(optimizer,T_maxmax_steps)LayerNorm在 MLP 的 ReLU 之前加入nn.LayerNorm()对于防止 Q 值发散非常有用。Orthogonal Initialization使用正交初始化网络参数比默认的 Xavier 初始化收敛更快。Target Update 频率IQL 中 V 的更新很快Q 的 Target Network 更新可以适当慢一点或者不使用 Target Network 直接用当前的 Q 也可以IQL 论文中有些变体是这样做的但保留 Target Q 通常更稳。6. 常见 Bug 与排查方法 ️6.1 Q Loss 不下降 / 震荡原因State 没有归一化。排查打印 State 的 mean 和 std如果 mean 不是 0 附近必挂。6.2 Policy Loss 变成 NaN原因exp(advantage / temperature)溢出。排查检查 Advantage 的数值范围。如果 A 很大比如 100exp(30) 就会很大。一定要加torch.clamp。6.3 训练出来的 Agent 一动不动原因Temperature 太小或者 Expectile 太大。排查如果temperature太小如 0.1Policy 只会模仿那些极少数 Advantage 极大的样本导致过拟合。如果expectile太大如 0.99V 值会估计得非常高导致 Advantage 几乎全是负的Policy 学不到东西。推荐默认值Expectile0.7, Temperature3.0。6.4 测试分数极低但 Q 值很高原因Overestimation尽管 IQL 已经很克制了但依然可能发生。排查IQL 的 Q 值不应该特别大。如果发现 Q 值远超 Max Episode Return说明 Target 计算有问题或者 Reward Scale 太大建议把 Reward 归一化到 [0, 1] 或做简单的 Scaling。结语从零实现 Offline RL 是一个痛苦但收益巨大的过程。你会发现它不再是黑盒而是由一个个精巧的积木Expectile, AWR, Normalization搭建的城堡。现在的你已经具备了手写 SOTA 算法的能力去 D4RL 榜单上试试身手吧