QValueHook

class torchrl.modules.QValueHook(action_space: str, var_nums: Optional[int] = None, action_value_key: Optional[NestedKey] = None, action_mask_key: Optional[NestedKey] = None, out_keys: Optional[Sequence[NestedKey]] = None)

用于 Q 值策略的 Q 值钩子。

给定常规 nn.Module 的输出，表示可用不同离散动作的值，QValueHook 会将这些值转换为它们的 argmax 分量（即生成的贪婪动作）。

参数：

• action_space (str) – 动作空间。必须是 "one-hot"、"mult-one-hot"、"binary" 或 "categorical" 之一。

• var_nums (int, 可选) – 如果 action_space = "mult-one-hot"，此值表示每个动作组件的基数。

• action_value_key (str 或 str 元组, 可选) – 在 TensorDictModule 上挂钩时使用。表示动作值的输入键。默认为 "action_value"。

• action_mask_key (str 或 str 元组, 可选) – 表示动作掩码的输入键。默认为 "None"（等效于无掩码）。

• out_keys (str 列表 或 str 元组, 可选) – 在 TensorDictModule 上挂钩时使用。表示动作、动作值和选定动作值的输出键。默认为 ["action", "action_value", "chosen_action_value"]。

示例

>>> import torch
>>> from tensordict import TensorDict
>>> from torch import nn
>>> from torchrl.data import OneHotDiscreteTensorSpec
>>> from torchrl.modules.tensordict_module.actors import QValueHook, Actor
>>> td = TensorDict({'observation': torch.randn(5, 4)}, [5])
>>> module = nn.Linear(4, 4)
>>> hook = QValueHook("one_hot")
>>> module.register_forward_hook(hook)
>>> action_spec = OneHotDiscreteTensorSpec(4)
>>> qvalue_actor = Actor(module=module, spec=action_spec, out_keys=["action", "action_value"])
>>> td = qvalue_actor(td)
>>> print(td)
TensorDict(
    fields={
        action: Tensor(shape=torch.Size([5, 4]), device=cpu, dtype=torch.int64, is_shared=False),
        action_value: Tensor(shape=torch.Size([5, 4]), device=cpu, dtype=torch.float32, is_shared=False),
        observation: Tensor(shape=torch.Size([5, 4]), device=cpu, dtype=torch.float32, is_shared=False)},
    batch_size=torch.Size([5]),
    device=None,
    is_shared=False)