🍠Python(PyTorch)物理变化可微分神经算法

Python(PyTorch)物理变化可微分神经算法 | 亚图跨际viadean on Notion

🏈指点迷津 | Brief

🎯要点

🎯使用受控物理变换序列实现可训练分层物理计算 | 🎯多模机械振荡、非线性电子振荡器和光学二次谐波生成神经算法验证 | 🎯训练输入数据，物理系统变换产生输出和可微分数字模型估计损失的梯度 | 🎯多模振荡对输入数据进行可控卷积 | 🎯物理神经算法数学表示、可微分数学模型 | 🎯MNIST和元音数据集评估算法

🍪语言内容分比

🍇PyTorch可微分优化

假设张量x是元参数，a是普通参数（例如网络参数）。我们有内部损失 $L ^{\text {in }}=a_0 \cdot x^2$并且我们使用梯度 $\frac{\partial L ^{\text {in }}}{\partial a_0}=x^2$ 更新 $a$和 $a_1=a_0-\eta \frac{\partial L ^{\text {in }}}{\partial a_0}=a_0-\eta x^2$。然后我们计算外部损失 $L ^{\text {out }}=a_1 \cdot x^2$。因此外部损失到 $x$ 的梯度为：

$$\begin{aligned} \frac{\partial L ^{\text {out }}}{\partial x} & =\frac{\partial\left(a_1 \cdot x^2\right)}{\partial x} \\ & =\frac{\partial a_1}{\partial x} \cdot x^2+a_1 \cdot \frac{\partial\left(x^2\right)}{\partial x} \\ & =\frac{\partial\left(a_0-\eta x^2\right)}{\partial x} \cdot x^2+\left(a_0-\eta x^2\right) \cdot 2 x \\ & =(-\eta \cdot 2 x) \cdot x^2+\left(a_0-\eta x^2\right) \cdot 2 x \\ & =-4 \eta x^3+2 a_0 x \end{aligned}$$

鉴于上述分析解，让我们使用 TorchOpt 中的 MetaOptimizer 对其进行验证。MetaOptimizer 是我们可微分优化器的主类。它与功能优化器 torchopt.sgd 和 torchopt.adam 相结合，定义了我们的高级 API torchopt.MetaSGD 和 torchopt.MetaAdam。

首先，定义网络。

 from IPython.display import display
 ​
 import torch
 import torch.nn as nn
 import torch.nn.functional as F
 ​
 import torchopt
 ​
 ​
 class Net(nn.Module):
     def __init__(self):
         super().__init__()
         self.a = nn.Parameter(torch.tensor(1.0), requires_grad=True)
 ​
     def forward(self, x):
         return self.a * (x**2)

然后我们声明网络（由 a 参数化）和元参数 x。不要忘记为 x 设置标志 require_grad=True 。

 net = Net()
 x = nn.Parameter(torch.tensor(2.0), requires_grad=True)

接下来我们声明元优化器。这里我们展示了定义元优化器的两种等效方法。

 optim = torchopt.MetaOptimizer(net, torchopt.sgd(lr=1.0))
 optim = torchopt.MetaSGD(net, lr=1.0)

元优化器将网络作为输入并使用方法步骤来更新网络（由a参数化）。最后，我们展示双层流程的工作原理。

 inner_loss = net(x)
 optim.step(inner_loss)
 ​
 outer_loss = net(x)
 outer_loss.backward()
 # x.grad = - 4 * lr * x^3 + 2 * a_0 * x
 #        = - 4 * 1 * 2^3 + 2 * 1 * 2
 #        = -32 + 4
 #        = -28
 print(f'x.grad = {x.grad!r}')

输出：

 x.grad = tensor(-28.)

让我们从与模型无关的元学习算法的核心思想开始。该算法是一种与模型无关的元学习算法，它与任何使用梯度下降训练的模型兼容，并且适用于各种不同的学习问题，包括分类、回归和强化学习。元学习的目标是在各种学习任务上训练模型，以便它仅使用少量训练样本即可解决新的学习任务。

更新规则定义为：

给定微调步骤的学习率 $\alpha$，$\theta$ 应该最小化

$$L (\theta)= E _{ T _i \sim p( T )}\left[ L _{ T _i}\left(\theta_i^{\prime}\right)\right]= E _{ T _i \sim p( T )}\left[ L _{ T _i}\left(\theta-\alpha \nabla_\theta L _{ T _i}(\theta)\right)\right]$$

我们首先定义一些与任务、轨迹、状态、动作和迭代相关的参数。

 import argparse
 from typing import NamedTuple
 ​
 import gym
 import numpy as np
 import torch
 import torch.optim as optim
 ​
 import torchopt
 from helpers.policy import CategoricalMLPPolicy
 ​
 ​
 TASK_NUM = 40
 TRAJ_NUM = 20
 TRAJ_LEN = 10
 ​
 STATE_DIM = 10
 ACTION_DIM = 5
 ​
 GAMMA = 0.99
 LAMBDA = 0.95
 ​
 outer_iters = 500
 inner_iters = 1

接下来，我们定义一个名为 Traj 的类来表示轨迹，其中包括观察到的状态、采取的操作、采取操作后观察到的状态、获得的奖励以及用于贴现未来奖励的伽玛值。

 class Traj(NamedTuple):
     obs: np.ndarray
     acs: np.ndarray
     next_obs: np.ndarray
     rews: np.ndarray
     gammas: np.ndarray

评估函数用于评估策略在不同任务上的性能。它使用内部优化器来微调每个任务的策略，然后计算微调前后的奖励。

 def evaluate(env, seed, task_num, policy):
     pre_reward_ls = []
     post_reward_ls = []
     inner_opt = torchopt.MetaSGD(policy, lr=0.1)
     env = gym.make(
         'TabularMDP-v0',
         num_states=STATE_DIM,
         num_actions=ACTION_DIM,
         max_episode_steps=TRAJ_LEN,
         seed=args.seed,
     )
     tasks = env.sample_tasks(num_tasks=task_num)
     policy_state_dict = torchopt.extract_state_dict(policy)
     optim_state_dict = torchopt.extract_state_dict(inner_opt)
     for idx in range(task_num):
         for _ in range(inner_iters):
             pre_trajs = sample_traj(env, tasks[idx], policy)
             inner_loss = a2c_loss(pre_trajs, policy, value_coef=0.5)
             inner_opt.step(inner_loss)
         post_trajs = sample_traj(env, tasks[idx], policy)
 ​
         pre_reward_ls.append(np.sum(pre_trajs.rews, axis=0).mean())
         post_reward_ls.append(np.sum(post_trajs.rews, axis=0).mean())
 ​
         torchopt.recover_state_dict(policy, policy_state_dict)
         torchopt.recover_state_dict(inner_opt, optim_state_dict)
     return pre_reward_ls, post_reward_ls

在主函数中，我们初始化环境、策略和优化器。策略是一个简单的 MLP，它输出动作的分类分布。内部优化器用于在微调阶段更新策略参数，外部优化器用于在元训练阶段更新策略参数。性能通过微调前后的奖励来评估。每次外部迭代都会记录并打印训练过程。

 def main(args):
 ​
     torch.manual_seed(args.seed)
     torch.cuda.manual_seed_all(args.seed)
 ​
     env = gym.make(
         'TabularMDP-v0',
         num_states=STATE_DIM,
         num_actions=ACTION_DIM,
         max_episode_steps=TRAJ_LEN,
         seed=args.seed,
     )
 ​
     policy = CategoricalMLPPolicy(input_size=STATE_DIM, output_size=ACTION_DIM)
     inner_opt = torchopt.MetaSGD(policy, lr=0.1)
     outer_opt = optim.Adam(policy.parameters(), lr=1e-3)
     train_pre_reward = []
     train_post_reward = []
     test_pre_reward = []
     test_post_reward = []
 ​
     for i in range(outer_iters):
         tasks = env.sample_tasks(num_tasks=TASK_NUM)
         train_pre_reward_ls = []
         train_post_reward_ls = []
 ​
         outer_opt.zero_grad()
 ​
         policy_state_dict = torchopt.extract_state_dict(policy)
         optim_state_dict = torchopt.extract_state_dict(inner_opt)
         for idx in range(TASK_NUM):
             for _ in range(inner_iters):
                 pre_trajs = sample_traj(env, tasks[idx], policy)
                 inner_loss = a2c_loss(pre_trajs, policy, value_coef=0.5)
                 inner_opt.step(inner_loss)
             post_trajs = sample_traj(env, tasks[idx], policy)
             outer_loss = a2c_loss(post_trajs, policy, value_coef=0.5)
             outer_loss.backward()
             torchopt.recover_state_dict(policy, policy_state_dict)
             torchopt.recover_state_dict(inner_opt, optim_state_dict)
             # Logging
             train_pre_reward_ls.append(np.sum(pre_trajs.rews, axis=0).mean())
             train_post_reward_ls.append(np.sum(post_trajs.rews, axis=0).mean())
         outer_opt.step()
 ​
         test_pre_reward_ls, test_post_reward_ls = evaluate(env, args.seed, TASK_NUM, policy)
 ​
         train_pre_reward.append(sum(train_pre_reward_ls) / TASK_NUM)
         train_post_reward.append(sum(train_post_reward_ls) / TASK_NUM)
         test_pre_reward.append(sum(test_pre_reward_ls) / TASK_NUM)
         test_post_reward.append(sum(test_post_reward_ls) / TASK_NUM)
 ​
         print('Train_iters', i)
         print('train_pre_reward', sum(train_pre_reward_ls) / TASK_NUM)
         print('train_post_reward', sum(train_post_reward_ls) / TASK_NUM)
         print('test_pre_reward', sum(test_pre_reward_ls) / TASK_NUM)
         print('test_post_reward', sum(test_post_reward_ls) / TASK_NUM)