ToTensorImage

class torchrl.envs.transforms.ToTensorImage(from_int: Optional[bool] = None, unsqueeze: bool = False, dtype: Optional[torch.device] = None, *, in_keys: Sequence[NestedKey] | None = None, out_keys: Sequence[NestedKey] | None = None, shape_tolerant: bool = False)

将类似 numpy 的图像 (W x H x C) 转换为 pytorch 图像 (C x W x H)。

将观察图像从 (... x W x H x C) 张量转换为 (... x C x W x H) 张量。可选地，将输入张量从 [0, 255] 范围缩放到 [0.0, 1.0] 范围（详见 from_int）。

在其他情况下，张量不进行缩放直接返回。

参数:

• from_int (bool, optional) – 如果为 True，则将张量从 [0, 255] 范围缩放到 [0.0, 1.0] 范围。如果为 False，则不缩放张量。如果为 None，则在张量不是浮点型张量时进行缩放。默认值为 None。

• unsqueeze (bool) – 如果为 True，则沿第一维对观察张量进行 unsqueeze 操作。默认值为 False。

• dtype (torch.dtype, optional) – 用于结果观察值的 dtype。

关键字参数:

• in_keys (NestedKeys 列表) – 要处理的键。

• out_keys (NestedKeys 列表) – 要写入的键。

• shape_tolerant (bool, optional) – 如果为 True，将检查输入图像的形状。如果最后一个通道不是 3，则忽略置换。默认为 False。

示例

>>> transform = ToTensorImage(in_keys=["pixels"])
>>> ri = torch.randint(0, 255, (1 , 1, 10, 11, 3), dtype=torch.uint8)
>>> td = TensorDict(
...     {"pixels": ri},
...     [1, 1])
>>> _ = transform(td)
>>> obs = td.get("pixels")
>>> print(obs.shape, obs.dtype)
torch.Size([1, 1, 3, 10, 11]) torch.float32

transform_observation_spec(observation_spec: TensorSpec) → TensorSpec

转换观察 spec，使结果 spec 与转换映射匹配。

参数:

observation_spec (TensorSpec) – 转换前的 spec

返回值:

转换后预期的 spec