Conv3dNet¶
- class torchrl.modules.Conv3dNet(in_features: ~typing.Optional[int] = None, depth: ~typing.Optional[int] = None, num_cells: ~typing.Optional[~typing.Union[~typing.Sequence[int], int]] = None, kernel_sizes: ~typing.Union[~typing.Sequence[int], int] = 3, strides: ~typing.Union[~typing.Sequence[int], int] = 1, paddings: ~typing.Union[~typing.Sequence[int], int] = 0, activation_class: ~typing.Union[~typing.Type[~torch.nn.modules.module.Module], ~typing.Callable] = <class 'torch.nn.modules.activation.ELU'>, activation_kwargs: ~typing.Optional[~typing.Union[dict, ~typing.List[dict]]] = None, norm_class: ~typing.Optional[~typing.Union[~typing.Type[~torch.nn.modules.module.Module], ~typing.Callable]] = None, norm_kwargs: ~typing.Optional[~typing.Union[dict, ~typing.List[dict]]] = None, bias_last_layer: bool = True, aggregator_class: ~typing.Optional[~typing.Union[~typing.Type[~torch.nn.modules.module.Module], ~typing.Callable]] = <class 'torchrl.modules.models.utils.SquashDims'>, aggregator_kwargs: ~typing.Optional[dict] = None, squeeze_output: bool = False, device: ~typing.Optional[~torch.device, str, int]] = None)[source]¶
一个 3D 卷积神经网络。
- 参数:
in_features (int, 可选) – 输入特征的数量。如果未提供，将使用惰性实现自动检索输入大小。
depth (int, 可选) – 网络的深度。深度为
1将生成一个单层线性网络，其输入大小为所需大小，输出大小等于num_cells参数的最后一个元素。如果未指明depth，则depth信息应包含在num_cells参数中（见下文）。如果num_cells是可迭代对象且指明了depth，则两者应匹配：len(num_cells)必须等于depth。num_cells (int 或 int 序列, 可选) – 输入和输出之间每层的单元数。如果提供整数，则每层将具有相同数量的单元，并且深度将从
depth中检索。如果提供可迭代对象，则线性层out_features将匹配 num_cells 的内容。默认为[32, 32, 32]或[32] * depth` is depth is not ``None。kernel_sizes (int, int 序列, 可选) – 卷积网络的内核大小。如果可迭代，则长度必须与深度匹配，由
num_cells或 depth 参数定义。默认为3。strides (int 或 int 序列) – 卷积网络的步幅。如果可迭代，则长度必须与深度匹配，由
num_cells或 depth 参数定义。默认为1。activation_class (Type[nn.Module] 或 callable) – 要使用的激活类或构造函数。默认为
Tanh。activation_kwargs (dict 或 dict 列表, 可选) – 要与激活类一起使用的 kwargs。也可以提供长度为
depth的 kwargs 列表，每层一个元素。norm_class (Type 或 callable, 可选) – 归一化类（如果有）。
norm_kwargs (dict 或 dict 列表, 可选) – 要与归一化层一起使用的 kwargs。也可以提供长度为
depth的 kwargs 列表，每层一个元素。bias_last_layer (bool) – 如果为
True，则最后一个线性层将具有偏差参数。默认为True。aggregator_class (Type[nn.Module] 或 callable) – 要在链末尾使用的聚合器类或构造函数。默认为
SquashDims。aggregator_kwargs (dict, 可选) –
aggregator_class构造函数的 kwargs。squeeze_output (bool) – 输出是否应挤压其单例维度。默认为
False。device (torch.device, 可选) – 在其上创建模块的设备。
示例
>>> # All of the following examples provide valid, working MLPs >>> cnet = Conv3dNet(in_features=3, depth=1, num_cells=[32,]) >>> print(cnet) Conv3dNet( (0): Conv3d(3, 32, kernel_size=(3, 3, 3), stride=(1, 1, 1)) (1): ELU(alpha=1.0) (2): SquashDims() ) >>> cnet = Conv3dNet(in_features=3, depth=4, num_cells=32) >>> print(cnet) Conv3dNet( (0): Conv3d(3, 32, kernel_size=(3, 3, 3), stride=(1, 1, 1)) (1): ELU(alpha=1.0) (2): Conv3d(32, 32, kernel_size=(3, 3, 3), stride=(1, 1, 1)) (3): ELU(alpha=1.0) (4): Conv3d(32, 32, kernel_size=(3, 3, 3), stride=(1, 1, 1)) (5): ELU(alpha=1.0) (6): Conv3d(32, 32, kernel_size=(3, 3, 3), stride=(1, 1, 1)) (7): ELU(alpha=1.0) (8): SquashDims() ) >>> cnet = Conv3dNet(in_features=3, num_cells=[32, 33, 34, 35]) # defines the depth by the num_cells arg >>> print(cnet) Conv3dNet( (0): Conv3d(3, 32, kernel_size=(3, 3, 3), stride=(1, 1, 1)) (1): ELU(alpha=1.0) (2): Conv3d(32, 33, kernel_size=(3, 3, 3), stride=(1, 1, 1)) (3): ELU(alpha=1.0) (4): Conv3d(33, 34, kernel_size=(3, 3, 3), stride=(1, 1, 1)) (5): ELU(alpha=1.0) (6): Conv3d(34, 35, kernel_size=(3, 3, 3), stride=(1, 1, 1)) (7): ELU(alpha=1.0) (8): SquashDims() ) >>> cnet = Conv3dNet(in_features=3, num_cells=[32, 33, 34, 35], kernel_sizes=[3, 4, 5, (2, 3, 4)]) # defines kernels, possibly rectangular >>> print(cnet) Conv3dNet( (0): Conv3d(3, 32, kernel_size=(3, 3, 3), stride=(1, 1, 1)) (1): ELU(alpha=1.0) (2): Conv3d(32, 33, kernel_size=(4, 4, 4), stride=(1, 1, 1)) (3): ELU(alpha=1.0) (4): Conv3d(33, 34, kernel_size=(5, 5, 5), stride=(1, 1, 1)) (5): ELU(alpha=1.0) (6): Conv3d(34, 35, kernel_size=(2, 3, 4), stride=(1, 1, 1)) (7): ELU(alpha=1.0) (8): SquashDims() )
