VC1Transform¶

class torchrl.envs.transforms.VC1Transform(in_keys, out_keys, model_name, del_keys: bool = True)[source]¶

VC1 Transform 类。

VC1 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。

请参阅论文

VC1：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

VC1Transform 以惰性方式创建：对象仅在查询属性（spec 或 forward 方法）时才会被初始化。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：通过使类变为惰性，我们可以确保以下代码片段按预期工作

示例

>>> transform = VC1Transform("default", 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:

in_keys (NestedKeys 列表) – 输入键列表。如果留空，则假定为 “pixels” 键。
out_keys (NestedKeys 列表, 可选) – 输出键列表。如果留空，则假定为 “VC1_vec”。
model_name (str) – "large", "base" 或任何其他兼容模型名称之一（有关更多信息，请参阅 github repo）。默认为 "default"，它提供了一个用于测试的小型、未经训练的模型。
del_keys (bool, 可选) – 如果 True (默认)，则输入键将从返回的 tensordict 中丢弃。

forward(tensordict)¶: 读取输入 tensordict，并为选定的键应用 transform。

classmethod make_noload_model()[source]¶: 在自定义目标位置创建一个朴素模型。

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

移动和/或转换参数和缓冲区。

可以这样调用

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

to(dtype, non_blocking=False)[source]

to(tensor, non_blocking=False)[source]

to(memory_format=torch.channels_last)[source]

其签名类似于 torch.Tensor.to()，但仅接受浮点型或复数 dtype。此外，此方法将仅将浮点型或复数参数和缓冲区转换为 dtype（如果给定）。整数参数和缓冲区将移动到 device（如果给定），但 dtype 不变。当设置 non_blocking 时，它会尝试相对于主机异步转换/移动（如果可能），例如，将具有固定内存的 CPU 张量移动到 CUDA 设备。

请参阅下面的示例。

注意

此方法会就地修改模块。

参数:

device (torch.device) – 此模块中参数和所需缓冲区的设备
dtype (torch.dtype) – 此模块中参数和缓冲区的所需浮点型或复数 dtype
tensor (torch.Tensor) – 张量，其 dtype 和设备是此模块中所有参数和缓冲区的所需 dtype 和设备
memory_format (torch.memory_format) – 此模块中 4D 参数和缓冲区的所需内存格式（仅关键字参数）

返回:

self

返回类型:

Module

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)

transform_observation_spec(observation_spec: TensorSpec) → TensorSpec[source]¶

转换观察 spec，使结果 spec 与 transform 映射匹配。

参数:: observation_spec (TensorSpec) – transform 之前的 spec
返回:: transform 之后预期的 spec

VC1Transform¶

文档

教程

资源