VIPTransform¶

class torchrl.envs.transforms.VIPTransform(*args, **kwargs)[源代码]¶

VIP 转换类。

VIP 提供预训练的 ResNet 权重，旨在促进机器人任务的视觉嵌入和奖励。这些模型使用 Ego4d 进行训练。请参阅论文

VIP：通过值隐式预训练实现通用视觉奖励和表示（Jason Ma
Shagun Sodhani、Dinesh Jayaraman、Osbert Bastani、Vikash Kumar*、Amy Zhang*)

参数：

model_name (str) – resnet50 之一
in_keys (str 列表, 可选) – 输入键列表。如果留空，则假定为“pixels”键。
out_keys (str 列表, 可选) – 输出键列表。如果留空，则假定为“vip_vec”。
size (int, 可选) – 要馈送到 resnet 的图像大小。默认为 244。
stack_images (bool, 可选) – 如果为 False，则 in_keys 参数中给出的图像将被分别处理，并且每个图像在输出张量字典中都将获得一个单独的条目。默认为 True。
download (bool, torchvision Weights 配置 或 相应的字符串) – 如果为 True，则将使用 torch.hub 下载 API 下载权重（即权重将被缓存以供将来使用）。这些权重是 VIP 出版物中的原始权重。如果需要 torchvision 权重，则可以通过两种方式获得：download=ResNet50_Weights.IMAGENET1K_V1 或 download="IMAGENET1K_V1"，其中 ResNet50_Weights 可以通过 from torchvision.models import resnet50, ResNet50_Weights 导入。默认为 False。
download_path (str, 可选) – 下载模型的路径。默认为 None（缓存路径由 torch.hub 实用程序确定）。
tensor_pixels_keys (str 列表, 可选) – 可选地，可以在输出张量字典中保留原始图像（如从环境中收集的）。如果未提供值，则不会收集此值。

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

移动和/或转换参数和缓冲区。

可以将其称为

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

to(dtype, non_blocking=False)[源代码]

to(tensor, non_blocking=False)[源代码]

to(memory_format=torch.channels_last)[源代码]

其签名类似于 torch.Tensor.to()，但仅接受浮点或复数 dtype。此外，此方法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 参数和缓冲区的目标内存格式（仅限关键字参数）

返回值：

自身

返回类型：

模块

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)

VIPTransform¶

文档

教程

资源