RewardNormalizer

class torchrl.trainers.RewardNormalizer(decay: float = 0.999, scale: float = 1.0, eps: Optional[float] = None, log_pbar: bool = False, reward_key=None)

奖励归一化器钩子。

参数:

• decay (float, 可选) – 指数移动平均衰减参数。默认为 0.999

• scale (float, 可选) – 用于乘以归一化后奖励的比例。默认为 1.0。

• eps (float, 可选) – 用于防止数值下溢的 epsilon 抖动。默认为 torch.finfo(DEFAULT_DTYPE).eps 其中 DEFAULT_DTYPE=torch.get_default_dtype()。

• reward_key (str 或 tuple, 可选) – 在输入批次中查找奖励的键。默认为 ("next", "reward")

示例

>>> reward_normalizer = RewardNormalizer()
>>> trainer.register_op("batch_process", reward_normalizer.update_reward_stats)
>>> trainer.register_op("process_optim_batch", reward_normalizer.normalize_reward)

register(trainer: Trainer, name: str = 'reward_normalizer')

在训练器的默认位置注册钩子。

参数:

• trainer (Trainer) – 必须注册钩子的训练器。

• name (str) – 钩子的名称。

注意

要在非默认位置注册钩子，请使用 register_op()。