R3MTransform¶

class torchrl.envs.transforms.R3MTransform(*args, **kwargs)[源代码]¶

R3M 转换类。

R3M 提供预训练的 ResNet 权重，旨在促进机器人任务的视觉嵌入。这些模型使用 Ego4d 进行训练。

查看论文

R3M：用于机器人操作的通用视觉表示（Suraj Nair，: Aravind Rajeswaran、Vikash Kumar、Chelsea Finn、Abhinav Gupta）https://arxiv.org/abs/2203.12601

R3MTransform 以延迟方式创建：只有在查询属性（规范或 forward 方法）时才会初始化该对象。这样做的原因是 _init() 方法需要访问父环境（如果有）的一些属性：通过使该类延迟，我们可以确保以下代码片段按预期工作

示例

>>> transform = R3MTransform("resnet50", in_keys=["pixels"])
>>> env.append_transform(transform)
>>> # the forward method will first call _init which will look at env.observation_spec
>>> env.reset()

参数：:

model_name (str) – resnet50、resnet34 或 resnet18 之一
in_keys (str 列表) – 输入键列表。如果为空，则假定为“pixels”键。
out_keys (str 列表, 可选) – 输出键列表。如果为空，则假定为“r3m_vec”。
size (int, 可选) – 要馈送到 resnet 的图像大小。默认为 244。
stack_images (bool, 可选) – 如果为 False，则在 in_keys 参数中给出的图像将被分别处理，并且每个图像将在输出张量字典中获得一个单独的条目。默认为 True。
download (bool, torchvision Weights 配置 或 相应的字符串) – 如果为 True，则权重将使用 torch.hub 下载 API 下载（即权重将被缓存以供将来使用）。这些权重是 R3M 出版物中的原始权重。如果需要 torchvision 权重，则可以通过两种方式获得它们：download=ResNet50_Weights.IMAGENET1K_V1 或 download="IMAGENET1K_V1"，其中 ResNet50_Weights 可以通过 from torchvision.models import resnet50, ResNet50_Weights 导入。默认为 False。
download_path (str, 可选) – 下载模型的路径。默认为 None（缓存路径由 torch.hub 实用程序确定）。
tensor_pixels_keys (str 列表, 可选) – 可选地，可以在输出张量字典中保留原始图像（如从环境中收集的图像）。如果没有提供值，则不会收集此值。

to(dest: Union[device, str, int, dtype])[源代码]¶

移动和/或转换参数和缓冲区。

这可以称为

to(device=None, dtype=None, non_blocking=False)[源代码]

to(dtype, non_blocking=False)[源代码]

to(tensor, non_blocking=False)[源代码]

to(memory_format=torch.channels_last)[源代码]

它的签名类似于 torch.Tensor.to()，但只接受浮点或复数 dtype。此外，此方法将仅将浮点或复数参数和缓冲区转换为 dtype（如果提供）。整型参数和缓冲区将被移动 device（如果提供），但数据类型保持不变。当 non_blocking 设置为 true 时，它会尝试异步地相对于主机进行转换/移动，如果可能的话，例如，将具有固定内存的 CPU 张量移动到 CUDA 设备。

请参阅以下示例。

注意

此方法会就地修改模块。

参数：:

device (torch.device) – 此模块中参数和缓冲区的目标设备
dtype (torch.dtype) – 此模块中参数和缓冲区的目标浮点或复数数据类型
tensor (torch.Tensor) – 数据类型和设备是此模块中所有参数和缓冲区的目标数据类型和设备的张量
memory_format (torch.memory_format) – 此模块中 4D 参数和缓冲区的目标内存格式（仅限关键字参数）

返回值：:

self

返回类型:

模块

示例

>>> # xdoctest: +IGNORE_WANT("non-deterministic")
>>> linear = nn.Linear(2, 2)
>>> linear.weight
Parameter containing:
tensor([[ 0.1913, -0.3420],
        [-0.5113, -0.2325]])
>>> linear.to(torch.double)
Linear(in_features=2, out_features=2, bias=True)
>>> linear.weight
Parameter containing:
tensor([[ 0.1913, -0.3420],
        [-0.5113, -0.2325]], dtype=torch.float64)
>>> # xdoctest: +REQUIRES(env:TORCH_DOCTEST_CUDA1)
>>> gpu1 = torch.device("cuda:1")
>>> linear.to(gpu1, dtype=torch.half, non_blocking=True)
Linear(in_features=2, out_features=2, bias=True)
>>> linear.weight
Parameter containing:
tensor([[ 0.1914, -0.3420],
        [-0.5112, -0.2324]], dtype=torch.float16, device='cuda:1')
>>> cpu = torch.device("cpu")
>>> linear.to(cpu)
Linear(in_features=2, out_features=2, bias=True)
>>> linear.weight
Parameter containing:
tensor([[ 0.1914, -0.3420],
        [-0.5112, -0.2324]], dtype=torch.float16)

>>> linear = nn.Linear(2, 2, bias=None).to(torch.cdouble)
>>> linear.weight
Parameter containing:
tensor([[ 0.3741+0.j,  0.2382+0.j],
        [ 0.5593+0.j, -0.4443+0.j]], dtype=torch.complex128)
>>> linear(torch.ones(3, 2, dtype=torch.cdouble))
tensor([[0.6122+0.j, 0.1150+0.j],
        [0.6122+0.j, 0.1150+0.j],
        [0.6122+0.j, 0.1150+0.j]], dtype=torch.complex128)

R3MTransform¶

文档

教程

资源