Я реализую DDPG с PyTorch (0.4) и застрял, возвращая потерю. Итак, сначала мой код, выполняющий обновление:
def update_nets(self, transitions):
"""
Performs one update step
:param transitions: list of sampled transitions
"""
# get batches
batch = transition(*zip(*transitions))
states = torch.stack(batch.state)
actions = torch.stack(batch.action)
next_states = torch.stack(batch.next_state)
rewards = torch.stack(batch.reward)
# zero gradients
self._critic.zero_grad()
# compute critic's loss
y = rewards.view(-1, 1) + self._gamma * \
self.critic_target(next_states, self.actor_target(next_states))
loss_critic = F.mse_loss(y, self._critic(states, actions),
size_average=True)
# backpropagte it
loss_critic.backward()
self._optim_critic.step()
# zero gradients
self._actor.zero_grad()
# compute actor's loss
loss_actor = ((-1.) * self._critic(states, self._actor(states))).mean()
# backpropagate it
loss_actor.backward()
self._optim_actor.step()
# do soft updates
self.perform_soft_update(self.actor_target, self._actor)
self.perform_soft_update(self.critic_target, self._critic)
Где self._actor
, self._crtic
, self.actor_target
и self.critic_target
- это сети.
Если я запустил это, я получу следующую ошибку на второй итерации:
RuntimeError: Trying to backward through the graph a second time, but the buffers have already been freed. Specify retain_graph=True when calling backward the first time.
at
line 221, in update_nets
loss_critic.backward()
line 93, in backward
torch.autograd.backward(self, gradient, retain_graph, create_graph)
line 89, in backward
allow_unreachable=True) # allow_unreachable flag
и я не знаю, чем это вызвано.
До сих пор я знал, что вызов loss_critic.backward()
вызывает ошибку. Я уже отлаживал loss_critic
- он получил допустимое значение. Если я заменю вычисление потерь простым
loss_critic = torch.tensor(1., device=self._device, dtype=torch.float, requires_grad=True)
Тензор, содержащий значение 1
, работает нормально. Кроме того, я уже проверил, что не сохраняю некоторые результаты, которые могут вызвать ошибку. Кроме того, обновление актера с помощью loss_actor
не вызывает никаких проблем.
Кто-нибудь знает, что здесь не так?
Спасибо!
Обновить
Я заменил
# zero gradients
self._critic.zero_grad()
а также
# zero gradients
self._actor.zero_grad()
с участием
# zero gradients
self._critic.zero_grad()
self._actor.zero_grad()
self.critic_target.zero_grad()
self.actor_target.zero_grad()
(оба вызова), но он все еще не работает с той же ошибкой. Кроме того, код, выполняющий обновление в конце одной итерации
def perform_soft_update(self, target, trained):
"""
Preforms the soft update
:param target: Net to be updated
:param trained: Trained net - used for update
"""
for param_target, param_trained in \
zip(target.parameters(), trained.parameters()):
param_target.data.copy_(
param_target.data * (
1.0 - self._tau) + param_trained * self._tau
)