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。可以选择将输入张量从范围 [0, 255] 缩放至范围 [0.0, 1.0]（有关详细信息，请参阅from_int）。

在其他情况下，将返回未缩放的张量。

参数：

• from_int (bool, 可选) – 如果True，则将张量从范围 [0, 255] 缩放至范围 [0.0, 1.0]。如果False`，则不会缩放张量。如果None，则如果张量不是浮点张量，则将缩放张量。默认为 None。

• unsqueeze (bool) – 如果True，则沿第一个维度取消压缩观察张量。默认为 False。

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

关键字参数：

• in_keys (嵌套键列表) – 要处理的键。

• out_keys (嵌套键列表) – 要写入的键。

• shape_tolerant (bool, 可选) – 如果True，则将检查输入图像的形状。如果最后一个通道不是3，则将忽略排列。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

转换观察规范，以便结果规范与转换映射匹配。

参数：

observation_spec (TensorSpec) – 转换前的规范

返回值：

转换后的预期规范