td0_return_estimate

class torchrl.objectives.value.functional.td0_return_estimate(gamma: float, next_state_value: Tensor, reward: Tensor, terminated: Optional[Tensor] = None, *, done: Optional[Tensor] = None)

轨迹的 TD(0) 折扣回报估计。

也称为自举时间差分或单步回报。

参数:

• gamma (标量) – 指数平均折扣。

• next_state_value (Tensor) – 使用 new_state 输入的值函数结果。必须是 [Batch x TimeSteps x 1] 或 [Batch x TimeSteps] 张量

• reward (Tensor) – 在环境中采取行动的奖励。必须是 [Batch x TimeSteps x 1] 或 [Batch x TimeSteps] 张量

• terminated (Tensor) – 剧集结束的布尔标志。如果未提供，则默认为 done。

关键字参数:

done (Tensor) – 已弃用。请改用 terminated。

所有张量（值、奖励和完成）的形状必须为 [*Batch x TimeSteps x *F]，其中 *F 是特征维度。