目标回报

class torchrl.envs.transforms.TargetReturn(target_return: float, mode: str = 'reduce', in_keys: Sequence[NestedKey] | None = None, out_keys: Sequence[NestedKey] | None = None, reset_key: NestedKey | None = None)

为智能体在环境中实现的目标回报设置目标回报。

在目标导向的强化学习中，TargetReturn 定义为从当前状态到目标状态或剧集结束时获得的预期累积奖励。它用作策略的输入，以指导其行为。对于训练好的策略，通常选择环境中的最大回报作为目标回报。但是，由于它用作策略模块的输入，因此应相应地进行缩放。使用 TargetReturn 转换，可以更新 tensordict 以包含用户指定的目标回报。 mode 参数可用于指定目标回报是否在每一步都通过减去每一步实现的奖励来更新，或者保持不变。

参数：

• target_return (float) – 智能体要实现的目标回报。

• mode (str) – 用于更新目标回报的模式。可以是“reduce”或“constant”。默认值：“reduce”。

• in_keys (sequence of NestedKey, optional) – 指向奖励条目的键。默认为父环境的奖励键。

• out_keys (sequence of NestedKey, optional) – 指向目标键的键。默认为 in_keys 的副本，其中最后一个元素已被替换为 "target_return"，如果这些键不唯一则会引发异常。

• reset_key (NestedKey, optional) – 用作部分重置指示器的重置键。必须是唯一的。如果未提供，则默认为父环境的唯一重置键（如果只有一个）否则会引发异常。

示例

>>> from torchrl.envs import GymEnv
>>> env = TransformedEnv(
...     GymEnv("CartPole-v1"),
...     TargetReturn(10.0, mode="reduce"))
>>> env.set_seed(0)
>>> torch.manual_seed(0)
>>> env.rollout(20)['target_return'].squeeze()
tensor([10.,  9.,  8.,  7.,  6.,  5.,  4.,  3.,  2.,  1.,  0., -1., -2., -3.])

forward(tensordict: TensorDictBase) → TensorDictBase

读取输入 tensordict，并对选定的键应用转换。

transform_input_spec(input_spec: TensorSpec) → TensorSpec

转换输入规范，使结果规范与转换映射匹配。

参数：

input_spec (TensorSpec) – 转换前的规范

返回：

转换后的预期规范

transform_observation_spec(observation_spec: TensorSpec) → TensorSpec

转换观察规范，使结果规范与转换映射匹配。

参数：

observation_spec (TensorSpec) – 转换前的规范

返回：

转换后的预期规范