VIPTransform

class torchrl.envs.transforms.VIPTransform(*args, **kwargs)

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 Value-Implicit Pre-Training 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 (list of str, optional) – 输入键列表。如果留空，则假定为“pixels”键。

• out_keys (list of str, optional) – 输出键列表。如果留空，则假定为“vip_vec”。

• size (int, optional) – 要馈送到 resnet 的图像大小。默认为 244。

• stack_images (bool, optional) – 如果为 False，则 in_keys 参数中给出的图像将被单独处理，并且每个图像将在输出 tensordict 中获得一个单独的条目。默认为 True。

• download (bool, torchvision Weights config 或 corresponding string) – 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，则有两种方法可以获取它们：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, optional) – 下载模型的路径。默认为 None（缓存路径由 torch.hub utils 确定）。

• tensor_pixels_keys (list of str, optional) – 可选地，可以将原始图像（从 env 收集的图像）保留在输出 tensordict 中。如果未提供值，则不会收集此项。

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

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)

to(dtype, non_blocking=False)

to(tensor, non_blocking=False)

to(memory_format=torch.channels_last)

其签名类似于 torch.Tensor.to()，但仅接受浮点型或复数 dtype。此外，此方法只会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。

请参见以下示例。

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所需设备

• 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:

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)