VC1Transform¶

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

VC1 转换类。

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 以延迟方式创建：只有在查询属性（规范或正向方法）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：通过使类延迟，我们可以确保以下代码段按预期工作

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

forward(tensordict)¶: 读取输入 tensordict，并对选定的键应用转换。

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

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

移动和/或转换参数和缓冲区。

这可以调用为

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（如果给出）。整数参数和缓冲区将移动到 device（如果给出），但数据类型保持不变。当设置 non_blocking 时，它会尝试异步地（相对于主机）进行转换/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) – 数据类型和设备为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 参数和缓冲区的所需内存格式（仅限关键字参数）

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]¶

转换观测规范，以便生成的规范与转换映射匹配。

参数：: observation_spec (TensorSpec) – 变换前的规范
返回:: 变换后的预期规范

VC1Transform¶

文档

教程

资源