TensorDict¶

class tensordict.TensorDict(source: Optional[Union[T, dict[tensordict._nestedkey.NestedKey, torch.Tensor]]] = None, batch_size: Optional[Union[Sequence[int], Size, int]] = None, device: Optional[Union[device, str, int]] = None, names: Optional[Sequence[str]] = None, non_blocking: Optional[bool] = None, lock: bool = False, **kwargs: dict[str, Any] | None)¶

张量的批量字典。

TensorDict 是一个张量容器，其中所有张量都以键值对的方式存储，并且每个元素共享相同的前 N 个前导维度形状，其中 N 是一个任意数字，且 N >= 0。

此外，如果 tensordict 具有指定的设备，则每个元素都必须共享该设备。

TensorDict 实例支持许多常规张量操作，但代数运算除外

形状操作：当调用形状操作（索引、reshape、view、expand、transpose、permute、unsqueeze、squeeze、掩码等）时，操作的执行方式就好像它是在与批量大小相同形状的张量上执行，然后扩展到右侧，例如

>>> td = TensorDict({'a': torch.zeros(3, 4, 5)}, batch_size=[3, 4])
>>> # returns a TensorDict of batch size [3, 4, 1]:
>>> td_unsqueeze = td.unsqueeze(-1)
>>> # returns a TensorDict of batch size [12]
>>> td_view = td.view(-1)
>>> # returns a tensor of batch size [12, 4]
>>> a_view = td.view(-1).get("a")

类型转换操作：可以使用以下方法将 TensorDict 转换为不同的设备
```
>>> td_cpu = td.to("cpu")
>>> dictionary = td.to_dict()
```
调用带有 dtype 的 .to() 方法将返回错误。
克隆 (clone())，连续 (contiguous())；
读取：td.get(key)，td.get_at(key, index)
内容修改：td.set(key, value), td.set_(key, value), td.update(td_or_dict), td.update_(td_or_dict), td.fill_(key, value), td.rename_key_(old_name, new_name) 等。
对多个 tensordict 的操作：torch.cat(tensordict_list, dim)，torch.stack(tensordict_list, dim)，td1 == td2，td.apply(lambda x+y, other_td) 等。

参数:

source (TensorDict 或 Dict[NestedKey, Union[Tensor, TensorDictBase]]) – 数据源。如果为空，则可以随后填充 tensordict。 TensorDict 也可以通过一系列关键字参数构建，就像 dict(...) 的情况一样。
batch_size (int 的可迭代对象, 可选) – tensordict 的批量大小。只要批量大小与其内容兼容，就可以随后修改批量大小。如果未提供批量大小，则假定为空批量大小（不会从数据中自动推断）。要自动设置批量大小，请参阅 auto_batch_size_()。
device (torch.device 或 兼容类型, 可选) – TensorDict 的设备。如果提供，则所有张量将存储在该设备上。否则，允许使用不同设备上的张量。
names (str 的列表, 可选) – tensordict 维度的名称。如果提供，则其长度必须与 batch_size 的长度匹配。默认为 None（没有维度名称，或者每个维度都为 None）。
non_blocking (bool, 可选) – 如果 True 并且传递了设备，则 tensordict 将在不同步的情况下交付。这是最快的选项，但仅在从 cpu 转换为 cuda 时才是安全的（否则，必须由用户实现同步调用）。如果传递 False，则将同步完成每个张量移动。如果 None（默认），则设备转换将异步完成，但如果需要，将在创建后执行同步。此选项通常应比 False 更快，并且可能比 True 慢。
lock (bool, 可选) – 如果为 True，则生成的 tensordict 将被锁定。

示例

>>> import torch
>>> from tensordict import TensorDict
>>> source = {'random': torch.randn(3, 4),
...     'zeros': torch.zeros(3, 4, 5)}
>>> batch_size = [3]
>>> td = TensorDict(source, batch_size=batch_size)
>>> print(td.shape)  # equivalent to td.batch_size
torch.Size([3])
>>> td_unqueeze = td.unsqueeze(-1)
>>> print(td_unqueeze.get("zeros").shape)
torch.Size([3, 1, 4, 5])
>>> print(td_unqueeze[0].shape)
torch.Size([1])
>>> print(td_unqueeze.view(-1).shape)
torch.Size([3])
>>> print((td.clone()==td).all())
True

abs() → T¶: 计算 TensorDict 中每个元素的绝对值。

abs_() → T¶: 就地计算 TensorDict 中每个元素的绝对值。

acos() → T¶: 计算 TensorDict 中每个元素的 acos() 值。

acos_() → T¶: 就地计算 TensorDict 中每个元素的 acos() 值。

add(other: tensordict.base.TensorDictBase | torch.Tensor, *, alpha: Optional[float] = None, default: Optional[Union[str, Tensor]] = None) → TensorDictBase¶

将按 alpha 缩放的 other 添加到 self。

\[\text{{out}}_i = \text{{input}}_i + \text{{alpha}} \times \text{{other}}_i\]

参数:

other (TensorDictBase 或 torch.Tensor) – 要添加到 self 的张量或 TensorDict。

关键字参数:

alpha (数字, 可选) – other 的乘数。
default (torch.Tensor 或 str, 可选) – 用于独占条目的默认值。如果未提供任何值，则两个 tensordict 键列表必须完全匹配。如果传递 default="intersection"，则仅考虑相交的键集，而其他键将被忽略。在所有其他情况下，default 将用于操作两侧的所有缺失条目。

add_(other: tensordict.base.TensorDictBase | float, *, alpha: Optional[float] = None)¶: add() 的就地版本。

注意

就地 add 不支持 default 关键字参数。

addcdiv(other1: tensordict.base.TensorDictBase | torch.Tensor, other2: tensordict.base.TensorDictBase | torch.Tensor, value: float | None = 1)¶

执行 other1 除以 other2 的逐元素除法，将结果乘以标量 value，然后将其添加到 self。

\[\text{out}_i = \text{input}_i + \text{value} \times \frac{\text{tensor1}_i}{\text{tensor2}_i}\]

self、other1 和 other2 的元素的形状必须是可广播的。

对于 FloatTensor 或 DoubleTensor 类型的输入，value 必须是实数，否则为整数。

参数:

other1 (TensorDict 或 Tensor) – 分子 tensordict（或张量）
tensor2 (TensorDict 或 Tensor) – 分母 tensordict（或张量）

关键字参数:

value (数字, 可选) – \(\text{tensor1} / \text{tensor2}\) 的乘数

addcdiv_(other1, other2, *, value: float | None = 1)¶: addcdiv() 的就地版本。

addcmul(other1, other2, *, value: float | None = 1)¶

执行 other1 乘以 other2 的逐元素乘法，将结果乘以标量 value，然后将其添加到 self。

\[\text{out}_i = \text{input}_i + \text{value} \times \text{other1}_i \times \text{other2}_i\]

self、other1 和 other2 的形状必须是可广播的。

对于 FloatTensor 或 DoubleTensor 类型的输入，value 必须是实数，否则为整数。

参数:

other1 (TensorDict 或 Tensor) – 要相乘的 tensordict 或张量
other2 (TensorDict 或 Tensor) – 要相乘的 tensordict 或张量

关键字参数:

value (数字, 可选) – \(other1 .* other2\) 的乘数

addcmul_(other1, other2, *, value: float | None = 1)¶: addcmul() 的就地版本。

all(dim: Optional[int] = None) → bool | tensordict.base.TensorDictBase¶

检查 tensordict 中是否所有值都为 True/非空。

参数:: dim (int, 可选) – 如果为 None，则返回一个布尔值，指示是否所有张量都返回 tensor.all() == True 如果为整数，则仅当此维度与 tensordict 形状兼容时，才对指定的维度调用 all。

any(dim: Optional[int] = None) → bool | tensordict.base.TensorDictBase¶

检查 tensordict 中是否任何值都为 True/非空。

参数:: dim (int, 可选) – 如果为 None，则返回一个布尔值，指示是否所有张量都返回 tensor.any() == True。如果为整数，则仅当此维度与 tensordict 形状兼容时，才对指定的维度调用 all。

apply(fn: Callable, *others: T, batch_size: Optional[Sequence[int]] = None, device: torch.device | None = _NoDefault.ZERO, names: Optional[Sequence[str]] = _NoDefault.ZERO, inplace: bool = False, default: Any = _NoDefault.ZERO, filter_empty: Optional[bool] = None, propagate_lock: bool = False, call_on_nested: bool = False, out: Optional[TensorDictBase] = None, **constructor_kwargs) → Optional[T]¶

将可调用对象应用于 tensordict 中存储的所有值，并将它们设置到一个新的 tensordict 中。

可调用对象的签名必须是 Callable[Tuple[Tensor, ...], Optional[Union[Tensor, TensorDictBase]]]。

参数:

fn (Callable) – 要应用于 tensordict 中张量的函数。
*others (TensorDictBase 实例，可选) – 如果提供，这些 tensordict 实例应具有与 self 结构匹配的结构。 fn 参数应接收与 tensordict 数量（包括 self）一样多的未命名输入。如果其他 tensordict 缺少条目，则可以通过 default 关键字参数传递默认值。

关键字参数:

batch_size (int 序列，可选) – 如果提供，则生成的 TensorDict 将具有所需的 batch_size。batch_size 参数应与转换后的 batch_size 匹配。这是一个仅关键字参数。
device (torch.device，可选) – 结果设备，如果有的话。
names (str 列表，可选) – 新的维度名称，以防 batch_size 被修改。
inplace (bool，可选) – 如果为 True，则更改将就地进行。默认为 False。这是一个仅关键字参数。
default (Any，可选) – 其他 tensordict 中缺失条目的默认值。如果未提供，缺失条目将引发 KeyError。
filter_empty (bool，可选) – 如果 True，则将滤除空 tensordict。这也降低了计算成本，因为不会创建和销毁空数据结构。非张量数据被视为叶节点，因此即使函数未触及，也会保留在 tensordict 中。为了向后兼容，默认为 False。
propagate_lock (bool，可选) – 如果 True，则锁定的 tensordict 将生成另一个锁定的 tensordict。默认为 False。

call_on_nested (bool，可选) –

如果 True，则将在第一级张量和容器（TensorDict 或 tensorclass）上调用该函数。在这种情况下，func 负责将其调用传播到嵌套级别。这允许在将调用传播到嵌套 tensordict 时进行细粒度的行为。如果 False，则该函数仅在叶节点上调用，并且 apply 将负责将函数分派到所有叶节点。

>>> td = TensorDict({"a": {"b": [0.0, 1.0]}, "c": [1.0, 2.0]})
>>> def mean_tensor_only(val):
...     if is_tensor_collection(val):
...         raise RuntimeError("Unexpected!")
...     return val.mean()
>>> td_mean = td.apply(mean_tensor_only)
>>> def mean_any(val):
...     if is_tensor_collection(val):
...         # Recurse
...         return val.apply(mean_any, call_on_nested=True)
...     return val.mean()
>>> td_mean = td.apply(mean_any, call_on_nested=True)

out (TensorDictBase，可选) –
用于写入结果的 tensordict。这可以用于避免创建新的 tensordict
```
>>> td = TensorDict({"a": 0})
>>> td.apply(lambda x: x+1, out=td)
>>> assert (td==1).all()
```
警告

如果对 tensordict 执行的操作需要访问多个键才能进行单次计算，则提供等于 self 的 out 参数可能会导致操作提供静默的错误结果。例如
```
>>> td = TensorDict({"a": 1, "b": 1})
>>> td.apply(lambda x: x+td["a"])["b"] # Right!
tensor(2)
>>> td.apply(lambda x: x+td["a"], out=td)["b"] # Wrong!
tensor(3)
```
**constructor_kwargs – 要传递给 TensorDict 构造函数的其他关键字参数。

返回:

一个新的包含 transformed_in 张量的 tensordict。

示例

>>> td = TensorDict({
...     "a": -torch.ones(3),
...     "b": {"c": torch.ones(3)}},
...     batch_size=[3])
>>> td_1 = td.apply(lambda x: x+1)
>>> assert (td_1["a"] == 0).all()
>>> assert (td_1["b", "c"] == 2).all()
>>> td_2 = td.apply(lambda x, y: x+y, td)
>>> assert (td_2["a"] == -2).all()
>>> assert (td_2["b", "c"] == 2).all()

注意

如果函数返回 None，则忽略该条目。这可以用于过滤 tensordict 中的数据

>>> td = TensorDict({"1": 1, "2": 2, "b": {"2": 2, "1": 1}}, [])
>>> def filter(tensor):
...     if tensor == 1:
...         return tensor
>>> td.apply(filter)
TensorDict(
    fields={
        1: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.int64, is_shared=False),
        b: TensorDict(
            fields={
                1: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.int64, is_shared=False)},
            batch_size=torch.Size([]),
            device=None,
            is_shared=False)},
    batch_size=torch.Size([]),
    device=None,
    is_shared=False)

注意

无论输入类型如何，apply 方法都将返回 TensorDict 实例。要保持相同的类型，可以执行

>>> out = td.clone(False).update(td.apply(...))

apply_(fn: Callable, *others, **kwargs) → T¶

将可调用对象应用于 tensordict 中存储的所有值，并将它们就地重写。

参数:

fn (Callable) – 要应用于 tensordict 中张量的函数。
*others (TensorDictBase 序列，可选) – 要使用的其他 tensordict。

关键字参数：请参阅 apply()。

返回:: self 或应用该函数的 self 的副本

asin() → T¶: 计算 TensorDict 中每个元素的 asin() 值。

asin_() → T¶: 就地计算 TensorDict 中每个元素的 asin() 值。

atan() → T¶: 计算 TensorDict 中每个元素的 atan() 值。

atan_() → T¶: 就地计算 TensorDict 中每个元素的 atan() 值。

auto_batch_size_(batch_dims: Optional[int] = None) → T¶

设置 tensordict 的最大批大小，最多可达可选的 batch_dims。

参数:: batch_dims (int，可选) – 如果提供，批大小将最多为 batch_dims 长。
返回:: self

示例

>>> from tensordict import TensorDict
>>> import torch
>>> td = TensorDict({"a": torch.randn(3, 4, 5), "b": {"c": torch.randn(3, 4, 6)}}, batch_size=[])
>>> td.auto_batch_size_()
>>> print(td.batch_size)
torch.Size([3, 4])
>>> td.auto_batch_size_(batch_dims=1)
>>> print(td.batch_size)
torch.Size([3])

auto_device_() → T¶

如果设备是唯一的，则自动设置设备。

返回：带有编辑后的 device 属性的 self。

property batch_dims: int¶

tensordict 批大小的长度。

返回:: 描述 tensordict 维度数量的整数。

property batch_size: Size¶

TensorDict 的形状（或批大小）。

tensordict 的形状对应于它包含的张量的公共前 N 个维度，其中 N 是任意数字。批大小与“特征大小”形成对比，“特征大小”表示张量在语义上相关的形状。例如，一批视频可能具有形状 [B, T, C, W, H]，其中 [B, T] 是批大小（批次和时间维度），[C, W, H] 是特征维度（通道和空间维度）。

TensorDict 形状由用户在初始化时控制（即，它不是从张量形状推断出来的）。

如果新大小与 TensorDict 内容兼容，则可以动态编辑 batch_size。例如，始终允许将批大小设置为空值。

返回:: 描述 TensorDict 批大小的 Size 对象。

示例

>>> data = TensorDict({
...     "key 0": torch.randn(3, 4),
...     "key 1": torch.randn(3, 5),
...     "nested": TensorDict({"key 0": torch.randn(3, 4)}, batch_size=[3, 4])},
...     batch_size=[3])
>>> data.batch_size = () # resets the batch-size to an empty value

bfloat16()¶: 将所有张量转换为 torch.bfloat16。

bool()¶: 将所有张量转换为 torch.bool。

bytes(*, count_duplicates: bool = True) → int¶

计算包含的张量的字节数。

关键字参数:: count_duplicates (bool) – 是否将重复张量计为独立的。如果为 False，则仅丢弃严格相同的张量（来自公共基础张量的相同视图但 id 不同将计数两次）。默认为 True（每个张量都假定为单个副本）。

classmethod cat(input, dim=0, *, out=None)¶

沿给定维度将 tensordict 连接成单个 tensordict。

此调用等效于调用 torch.cat()，但与 torch.compile 兼容。

cat_from_tensordict(dim: int = 0, *, sorted: Optional[Union[bool, List\[NestedKey]]] = None, out: Optional[Tensor] = None) → Tensor¶

将 tensordict 的所有条目连接成单个张量。

参数:

dim (int，可选) – 条目应沿其连接的维度。

关键字参数:

sorted (bool 或 NestedKey 列表) – 如果为 True，则条目将按字母顺序连接。如果为 False（默认），将使用字典顺序。或者，可以提供键名列表，并且张量将相应地连接。这会产生一些开销，因为将针对 tensordict 中的叶名称列表检查键列表。
out (torch.Tensor，可选) – cat 操作的可选目标张量。

cat_tensors(*keys: NestedKey, out_key: NestedKey, dim: int = 0, keep_entries: bool = False) → T¶

将条目连接到新条目中，并可能删除原始值。

参数:: keys (NestedKey 序列) – 要连接的条目。

关键字参数

out_key (NestedKey): 连接后的输入的新键名。 keep_entries (bool, optional): 如果为 False，则将删除 keys 中的条目。

默认为 False。

dim (int, optional): 连接必须沿其发生的维度。: 默认为 0。

返回：self

示例

>>> td = TensorDict(a=torch.zeros(1), b=torch.ones(1))
>>> td.cat_tensors("a", "b", out_key="c")
>>> assert "a" not in td
>>> assert (td["c"] == torch.tensor([0, 1])).all()

ceil() → T¶: 计算 TensorDict 中每个元素的 ceil() 值。

ceil_() → T¶: 就地计算 TensorDict 中每个元素的 ceil() 值。

chunk(chunks: int, dim: int = 0) → tuple[tensordict.base.TensorDictBase, ...]¶

如果可能，将 tensordict 拆分为指定数量的块。

每个块都是输入 tensordict 的视图。

参数:

chunks (int) – 要返回的块数
dim (int，可选) – 拆分 tensordict 沿的维度。默认为 0。

示例

>>> td = TensorDict({
...     'x': torch.arange(24).reshape(3, 4, 2),
... }, batch_size=[3, 4])
>>> td0, td1 = td.chunk(dim=-1, chunks=2)
>>> td0['x']
tensor([[[ 0,  1],
         [ 2,  3]],
        [[ 8,  9],
         [10, 11]],
        [[16, 17],
         [18, 19]]])

clamp_max(other: tensordict.base.TensorDictBase | torch.Tensor, *, default: Optional[Union[str, Tensor]] = None) → T¶

如果 self 的元素大于该值，则将其钳制为 other。

参数:: other (TensorDict 或 Tensor) – 其他输入 tensordict 或张量。
关键字参数:: default (torch.Tensor 或 str, 可选) – 用于独占条目的默认值。如果未提供任何值，则两个 tensordict 键列表必须完全匹配。如果传递 default="intersection"，则仅考虑相交的键集，而其他键将被忽略。在所有其他情况下，default 将用于操作两侧的所有缺失条目。

clamp_max_(other: tensordict.base.TensorDictBase | torch.Tensor) → T¶: clamp_max() 的就地版本。

注意

就地 clamp_max 不支持 default 关键字参数。

clamp_min(other: tensordict.base.TensorDictBase | torch.Tensor, default: Optional[Union[str, Tensor]] = None) → T¶

如果 self 的元素小于该值，则将其钳制为 other。

参数:: other (TensorDict 或 Tensor) – 其他输入 tensordict 或张量。
关键字参数:: default (torch.Tensor 或 str, 可选) – 用于独占条目的默认值。如果未提供任何值，则两个 tensordict 键列表必须完全匹配。如果传递 default="intersection"，则仅考虑相交的键集，而其他键将被忽略。在所有其他情况下，default 将用于操作两侧的所有缺失条目。

clamp_min_(other: tensordict.base.TensorDictBase | torch.Tensor) → T¶: clamp_min() 的原地 (in-place) 版本。

注意

原地 (Inplace) clamp_min 不支持 default 关键字参数。

clear() → T¶: 清空 tensordict 的内容。

clear_device_() → T¶

清除 tensordict 的设备信息。

返回：self

clone(recurse: bool = True, **kwargs) → T¶

将 TensorDictBase 子类实例克隆到相同类型的新 TensorDictBase 子类。

要从任何其他 TensorDictBase 子类型创建 TensorDict 实例，请调用 to_tensordict() 方法。

参数:: recurse (bool, 可选) – 如果为 True，则 TensorDict 中包含的每个张量也会被复制。否则，仅复制 TensorDict 树结构。默认为 True。

注意

与许多其他操作（逐点算术，形状操作，…）不同，clone 不会继承原始的锁定属性。这种设计选择是为了允许创建可修改的克隆，这是最常见的用法。

complex128()¶: 将所有张量转换为 torch.complex128 类型。

complex32()¶: 将所有张量转换为 torch.complex32 类型。

complex64()¶: 将所有张量转换为 torch.complex64 类型。

consolidate(filename: Optional[Union[Path, str]] = None, *, num_threads=0, device: Optional[device] = None, non_blocking: bool = False, inplace: bool = False, return_early: bool = False, use_buffer: bool = False, share_memory: bool = False, pin_memory: bool = False, metadata: bool = False) → None¶

将 tensordict 的内容整合到单个存储中，以实现快速序列化。

参数:

filename (Path, 可选) – 可选的文件路径，用于内存映射张量，以用作 tensordict 的存储。

关键字参数:

num_threads (integer, 可选) – 用于填充存储的线程数。
device (torch.device, 可选) – 可选的设备，存储必须在该设备上实例化。
non_blocking (bool, 可选) – 传递给 copy_() 的 non_blocking 参数。
inplace (bool, 可选) – 如果为 True，则结果 tensordict 与 self 相同，只是值已更新。默认为 False。
return_early (bool, 可选) – 如果为 True 且 num_threads>0，则该方法将返回 tensordict 的 future。可以使用 future.result() 查询结果 tensordict。
use_buffer (bool, 可选) – 如果为 True 且传递了文件名，则将在共享内存中创建中间本地缓冲区，并且数据将在最后一步复制到存储位置。这可能比直接写入远程物理内存（例如，NFS）更快。默认为 False。
share_memory (bool, 可选) – 如果为 True，则存储将放置在共享内存中。默认为 False。
pin_memory (bool, 可选) – 整合的数据是否应放置在 pinned memory 中。默认为 False。
metadata (bool, 可选) – 如果为 True，则元数据将与公共存储一起存储。如果提供了文件名，则这不起作用。当人们想要控制如何实现序列化时，存储元数据可能很有用，因为如果元数据可用或不可用，TensorDict 会以不同的方式处理已整合的 TD 的 pickle/unpickle。

注意

如果 tensordict 已经整合，则所有参数都将被忽略，并返回 self。调用 contiguous() 以重新整合。

示例

>>> import pickle
>>> import tempfile
>>> import torch
>>> import tqdm
>>> from torch.utils.benchmark import Timer
>>> from tensordict import TensorDict
>>> data = TensorDict({"a": torch.zeros(()), "b": {"c": torch.zeros(())}})
>>> data_consolidated = data.consolidate()
>>> # check that the data has a single data_ptr()
>>> assert torch.tensor([
...     v.untyped_storage().data_ptr() for v in data_c.values(True, True)
... ]).unique().numel() == 1
>>> # Serializing the tensordict will be faster with data_consolidated
>>> with open("data.pickle", "wb") as f:
...    print("regular", Timer("pickle.dump(data, f)", globals=globals()).adaptive_autorange())
>>> with open("data_c.pickle", "wb") as f:
...     print("consolidated", Timer("pickle.dump(data_consolidated, f)", globals=globals()).adaptive_autorange())

contiguous() → T¶: 返回具有连续值的新 tensordict（或如果值已连续，则返回 self）。

copy()¶

返回 tensordict 的浅拷贝（即，复制结构但不复制数据）。

等效于 TensorDictBase.clone(recurse=False)

copy_(tensordict: T, non_blocking: bool = False) → T¶

请参阅 TensorDictBase.update_。

non-blocking 参数将被忽略，仅为了与 torch.Tensor.copy_() 兼容而存在。

copy_at_(tensordict: T, idx: Union[None, int, slice, str, Tensor, List[Any], Tuple[Any, ...]], non_blocking: bool = False) → T¶: 请参阅 TensorDictBase.update_at_。

cos() → T¶: 计算 TensorDict 中每个元素的 cos() 值。

cos_() → T¶: 原地 (in-place) 计算 TensorDict 中每个元素的 cos() 值。

cosh() → T¶: 计算 TensorDict 中每个元素的 cosh() 值。

cosh_() → T¶: 原地 (in-place) 计算 TensorDict 中每个元素的 cosh() 值。

cpu(**kwargs) → T¶

将 tensordict 转换为 CPU。

此函数还支持 to() 的所有关键字参数。

create_nested(key)¶

创建与当前 tensordict 具有相同形状、设备和维度名称的嵌套 tensordict。

如果该值已存在，则此操作将覆盖它。此操作在锁定的 tensordict 中被阻止。

示例

>>> data = TensorDict({}, [3, 4, 5])
>>> data.create_nested("root")
>>> data.create_nested(("some", "nested", "value"))
>>> print(data)
TensorDict(
    fields={
        root: TensorDict(
            fields={
            },
            batch_size=torch.Size([3, 4, 5]),
            device=None,
            is_shared=False),
        some: TensorDict(
            fields={
                nested: TensorDict(
                    fields={
                        value: TensorDict(
                            fields={
                            },
                            batch_size=torch.Size([3, 4, 5]),
                            device=None,
                            is_shared=False)},
                    batch_size=torch.Size([3, 4, 5]),
                    device=None,
                    is_shared=False)},
            batch_size=torch.Size([3, 4, 5]),
            device=None,
            is_shared=False)},
    batch_size=torch.Size([3, 4, 5]),
    device=None,
    is_shared=False)

cuda(device: Optional[int] = None, **kwargs) → T¶

将 tensordict 转换为 cuda 设备（如果尚未在其上）。

参数:: device (int, 可选) – 如果提供，则为应在其上转换张量的 cuda 设备。

此函数还支持 to() 的所有关键字参数。

property data¶: 返回包含叶张量的 .data 属性的 tensordict。

data_ptr(*, storage: bool = False)¶

返回 tensordict 叶子的 data_ptr。

这对于检查两个 tensordict 是否共享相同的 data_ptr() 非常有用。

关键字参数:: storage (bool, 可选) – 如果为 True，则将调用 tensor.untyped_storage().data_ptr()。默认为 False。

示例

>>> from tensordict import TensorDict
>>> td = TensorDict(a=torch.randn(2), b=torch.randn(2), batch_size=[2])
>>> assert (td0.data_ptr() == td.data_ptr()).all()

注意

LazyStackedTensorDict 实例将显示为嵌套 tensordict，以反映其叶子的真实 data_ptr()

>>> td0 = TensorDict(a=torch.randn(2), b=torch.randn(2), batch_size=[2])
>>> td1 = TensorDict(a=torch.randn(2), b=torch.randn(2), batch_size=[2])
>>> td = TensorDict.lazy_stack([td0, td1])
>>> td.data_ptr()
TensorDict(
    fields={
        0: TensorDict(
            fields={
                a: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.int64, is_shared=False),
                b: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.int64, is_shared=False)},
            batch_size=torch.Size([]),
            device=cpu,
            is_shared=False),
        1: TensorDict(
            fields={
                a: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.int64, is_shared=False),
                b: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.int64, is_shared=False)},
            batch_size=torch.Size([]),
            device=cpu,
            is_shared=False)},
    batch_size=torch.Size([]),
    device=cpu,
    is_shared=False)

del_(key: NestedKey) → T¶

删除 tensordict 的键。

参数:: key (NestedKey) – 要删除的键
返回:: self

densify(layout: layout = torch.strided)¶

尝试使用连续张量（普通张量或嵌套张量）表示惰性堆栈。

关键字参数:: layout (torch.layout) – 嵌套张量的布局（如果有）。默认为 strided。

property depth: int¶

返回 tensordict 的深度 - 最大层数。

最小深度为 0（没有嵌套 tensordict）。

detach() → T¶

分离 tensordict 中的张量。

返回:: 一个新的 tensordict，其中没有张量需要梯度。

detach_() → T¶

原地 (in-place) 分离 tensordict 中的张量。

返回:: self。

property device: torch.device | None¶

tensordict 的设备。

如果构造函数中未提供设备或未通过 tensordict.to(device) 设置设备，则返回 None。

dim() → int¶: 请参阅 batch_dims()。

div(other: tensordict.base.TensorDictBase | torch.Tensor, *, default: Optional[Union[str, Tensor]] = None) → T¶

将输入 self 的每个元素除以 other 的相应元素。

\[\text{out}_i = \frac{\text{input}_i}{\text{other}_i}\]

支持广播、类型提升以及整数、浮点数、tensordict 或张量输入。始终将整数类型提升为默认标量类型。

参数:: other (TensorDict, Tensor 或 Number) – 除数。
关键字参数:: default (torch.Tensor 或 str, 可选) – 用于独占条目的默认值。如果未提供任何值，则两个 tensordict 键列表必须完全匹配。如果传递 default="intersection"，则仅考虑相交的键集，而其他键将被忽略。在所有其他情况下，default 将用于操作两侧的所有缺失条目。

div_(other: tensordict.base.TensorDictBase | torch.Tensor) → T¶: div() 的原地 (in-place) 版本。

注意

原地 (Inplace) div 不支持 default 关键字参数。

double()¶: 将所有张量转换为 torch.bool。

property dtype¶: 如果 tensordict 中的值类型唯一，则返回该类型。

dumps(prefix: Optional[str] = None, copy_existing: bool = False, *, num_threads: int = 0, return_early: bool = False, share_non_tensor: bool = False) → T¶

将 tensordict 保存到磁盘。

此函数是 memmap() 的代理。

empty(recurse=False, *, batch_size=None, device=_NoDefault.ZERO, names=_NoDefault.ZERO) → T¶

返回一个新的、空的 tensordict，具有相同的设备和批量大小。

参数:

recurse (bool, optional) – 如果为 True，则将复制 TensorDict 的整个结构，但不包含内容。否则，仅复制根节点。默认为 False。

关键字参数:

batch_size (torch.Size, optional) – tensordict 的新批次大小。
device (torch.device, optional) – 新设备。
names (str 列表, optional) – 维度名称。

entry_class(key: NestedKey) → type¶

返回条目的类，可能避免调用 isinstance(td.get(key), type)。

当 get() 执行开销较大时，应优先使用此方法，而不是 tensordict.get(key).shape。

erf() → T¶: 计算 TensorDict 中每个元素的 erf() 值。

erf_() → T¶: 就地计算 TensorDict 中每个元素的 erf() 值。

erfc() → T¶: 计算 TensorDict 中每个元素的 erfc() 值。

erfc_() → T¶: 就地计算 TensorDict 中每个元素的 erfc() 值。

exclude(*keys: NestedKey, inplace: bool = False) → T¶

排除 tensordict 的键，并返回一个不包含这些条目的新 tensordict。

值不会被复制：对原始或新 tensordict 的张量进行就地修改将导致两个 tensordict 都发生更改。

参数:

*keys (str) – 要排除的键。
inplace (bool) – 如果为 True，则就地修剪 tensordict。默认为 False。

返回:

一个新的 tensordict（如果 inplace=True 则为同一个）不包含排除的条目。

示例

>>> from tensordict import TensorDict
>>> td = TensorDict({"a": 0, "b": {"c": 1, "d": 2}}, [])
>>> td.exclude("a", ("b", "c"))
TensorDict(
    fields={
        b: TensorDict(
            fields={
                d: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.int64, is_shared=False)},
            batch_size=torch.Size([]),
            device=None,
            is_shared=False)},
    batch_size=torch.Size([]),
    device=None,
    is_shared=False)
>>> td.exclude("a", "b")
TensorDict(
    fields={
    },
    batch_size=torch.Size([]),
    device=None,
    is_shared=False)

exp() → T¶: 计算 TensorDict 中每个元素的 exp() 值。

exp_() → T¶: 就地计算 TensorDict 中每个元素的 exp() 值。

expand(*args, **kwargs) → T¶

根据 expand() 函数扩展 tensordict 的每个张量，忽略特征维度。

支持使用可迭代对象来指定形状。

示例

>>> td = TensorDict({
...     'a': torch.zeros(3, 4, 5),
...     'b': torch.zeros(3, 4, 10)}, batch_size=[3, 4])
>>> td_expand = td.expand(10, 3, 4)
>>> assert td_expand.shape == torch.Size([10, 3, 4])
>>> assert td_expand.get("a").shape == torch.Size([10, 3, 4, 5])

expand_as(other: tensordict.base.TensorDictBase | torch.Tensor) → TensorDictBase¶

将 tensordict 的形状广播到 other 的形状，并相应地扩展它。

如果输入是张量集合（tensordict 或 tensorclass），则叶子将以一对一的方式扩展。

示例

>>> from tensordict import TensorDict
>>> import torch
>>> td0 = TensorDict({
...     "a": torch.ones(3, 1, 4),
...     "b": {"c": torch.ones(3, 2, 1, 4)}},
...     batch_size=[3],
... )
>>> td1 = TensorDict({
...     "a": torch.zeros(2, 3, 5, 4),
...     "b": {"c": torch.zeros(2, 3, 2, 6, 4)}},
...     batch_size=[2, 3],
... )
>>> expanded = td0.expand_as(td1)
>>> assert (expanded==1).all()
>>> print(expanded)
TensorDict(
    fields={
        a: Tensor(shape=torch.Size([2, 3, 5, 4]), device=cpu, dtype=torch.float32, is_shared=False),
        b: TensorDict(
            fields={
                c: Tensor(shape=torch.Size([2, 3, 2, 6, 4]), device=cpu, dtype=torch.float32, is_shared=False)},
            batch_size=torch.Size([2, 3]),
            device=None,
            is_shared=False)},
    batch_size=torch.Size([2, 3]),
    device=None,
    is_shared=False)

expm1() → T¶: 计算 TensorDict 中每个元素的 expm1() 值。

expm1_() → T¶: 就地计算 TensorDict 中每个元素的 expm1() 值。

fill_(key: NestedKey, value: float | bool) → T¶

用给定的标量值填充键指向的张量。

参数:

key (str 或 nested key) – 要填充的条目。
value (数值或 bool) – 用于填充的值。

返回:

self

filter_empty_()¶: 就地过滤掉所有空的 tensordict。

filter_non_tensor_data() → T¶: 过滤掉所有非张量数据。

flatten(start_dim=0, end_dim=- 1)¶

展平 tensordict 的所有张量。

参数:

start_dim (int) – 要展平的第一个维度
end_dim (int) – 要展平的最后一个维度

示例

>>> td = TensorDict({
...     "a": torch.arange(60).view(3, 4, 5),
...     "b": torch.arange(12).view(3, 4)}, batch_size=[3, 4])
>>> td_flat = td.flatten(0, 1)
>>> td_flat.batch_size
torch.Size([12])
>>> td_flat["a"]
tensor([[ 0,  1,  2,  3,  4],
        [ 5,  6,  7,  8,  9],
        [10, 11, 12, 13, 14],
        [15, 16, 17, 18, 19],
        [20, 21, 22, 23, 24],
        [25, 26, 27, 28, 29],
        [30, 31, 32, 33, 34],
        [35, 36, 37, 38, 39],
        [40, 41, 42, 43, 44],
        [45, 46, 47, 48, 49],
        [50, 51, 52, 53, 54],
        [55, 56, 57, 58, 59]])
>>> td_flat["b"]
tensor([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

flatten_keys(separator: str = '.', inplace: bool = False, is_leaf: Optional[Callable[[Type], bool]] = None) → T¶

递归地将嵌套的 tensordict 转换为扁平的 tensordict。

TensorDict 类型将丢失，结果将是一个简单的 TensorDict 实例。

参数:

separator (str, optional) – 嵌套项之间的分隔符。
inplace (bool, optional) – 如果为 True，则生成的 tensordict 将与调用它的 tensordict 具有相同的标识。默认为 False。
is_leaf (callable, optional) – 一个作用于类类型的可调用对象，返回一个布尔值，指示该类是否必须被视为叶子。

示例

>>> data = TensorDict({"a": 1, ("b", "c"): 2, ("e", "f", "g"): 3}, batch_size=[])
>>> data.flatten_keys(separator=" - ")
TensorDict(
    fields={
        a: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.int64, is_shared=False),
        b - c: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.int64, is_shared=False),
        e - f - g: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.int64, is_shared=False)},
    batch_size=torch.Size([]),
    device=None,
    is_shared=False)

此方法和 unflatten_keys() 在处理状态字典时特别有用，因为它们可以无缝地将扁平字典转换为模仿模型结构的数据结构。

示例

>>> model = torch.nn.Sequential(torch.nn.Linear(3 ,4))
>>> ddp_model = torch.ao.quantization.QuantWrapper(model)
>>> state_dict = TensorDict(ddp_model.state_dict(), batch_size=[]).unflatten_keys(".")
>>> print(state_dict)
TensorDict(
    fields={
        module: TensorDict(
            fields={
                0: TensorDict(
                    fields={
                        bias: Tensor(shape=torch.Size([4]), device=cpu, dtype=torch.float32, is_shared=False),
                        weight: Tensor(shape=torch.Size([4, 3]), device=cpu, dtype=torch.float32, is_shared=False)},
                    batch_size=torch.Size([]),
                    device=None,
                    is_shared=False)},
            batch_size=torch.Size([]),
            device=None,
            is_shared=False)},
    batch_size=torch.Size([]),
    device=None,
    is_shared=False)
>>> model_state_dict = state_dict.get("module")
>>> print(model_state_dict)
TensorDict(
    fields={
        0: TensorDict(
            fields={
                bias: Tensor(shape=torch.Size([4]), device=cpu, dtype=torch.float32, is_shared=False),
                weight: Tensor(shape=torch.Size([4, 3]), device=cpu, dtype=torch.float32, is_shared=False)},
            batch_size=torch.Size([]),
            device=None,
            is_shared=False)},
    batch_size=torch.Size([]),
    device=None,
    is_shared=False)
>>> model.load_state_dict(dict(model_state_dict.flatten_keys(".")))

float()¶: 将所有张量转换为 torch.float。

float16()¶: 将所有张量转换为 torch.float16。

float32()¶: 将所有张量转换为 torch.float32。

float64()¶: 将所有张量转换为 torch.float64。

floor() → T¶: 计算 TensorDict 中每个元素的 floor() 值。

floor_() → T¶: 就地计算 TensorDict 中每个元素的 floor() 值。

frac() → T¶: 计算 TensorDict 中每个元素的 frac() 值。

frac_() → T¶: 就地计算 TensorDict 中每个元素的 frac() 值。

classmethod from_dict(input_dict, batch_size=None, device=None, batch_dims=None, names=None)¶

返回从字典或另一个 TensorDict 创建的 TensorDict。

如果未指定 batch_size，则返回可能的最大批次大小。

此函数也适用于嵌套字典，或者可用于确定嵌套 tensordict 的批次大小。

参数:

input_dict (dictionary, optional) – 用作数据源的字典（兼容嵌套键）。
batch_size (iterable of int, optional) – tensordict 的批次大小。
device (torch.device 或 compatible type, optional) – TensorDict 的设备。
batch_dims (int, optional) – batch_dims（即要为 batch_size 考虑的前导维度数）。与 batch_size 互斥。请注意，这是 tensordict 的批次维度__最大__数量，允许使用较小的数字。
names (str 列表, optional) – tensordict 的维度名称。

示例

>>> input_dict = {"a": torch.randn(3, 4), "b": torch.randn(3)}
>>> print(TensorDict.from_dict(input_dict))
TensorDict(
    fields={
        a: Tensor(shape=torch.Size([3, 4]), device=cpu, dtype=torch.float32, is_shared=False),
        b: Tensor(shape=torch.Size([3]), device=cpu, dtype=torch.float32, is_shared=False)},
    batch_size=torch.Size([3]),
    device=None,
    is_shared=False)
>>> # nested dict: the nested TensorDict can have a different batch-size
>>> # as long as its leading dims match.
>>> input_dict = {"a": torch.randn(3), "b": {"c": torch.randn(3, 4)}}
>>> print(TensorDict.from_dict(input_dict))
TensorDict(
    fields={
        a: Tensor(shape=torch.Size([3]), device=cpu, dtype=torch.float32, is_shared=False),
        b: TensorDict(
            fields={
                c: Tensor(shape=torch.Size([3, 4]), device=cpu, dtype=torch.float32, is_shared=False)},
            batch_size=torch.Size([3, 4]),
            device=None,
            is_shared=False)},
    batch_size=torch.Size([3]),
    device=None,
    is_shared=False)
>>> # we can also use this to work out the batch sie of a tensordict
>>> input_td = TensorDict({"a": torch.randn(3), "b": {"c": torch.randn(3, 4)}}, [])
>>> print(TensorDict.from_dict(input_td))
TensorDict(
    fields={
        a: Tensor(shape=torch.Size([3]), device=cpu, dtype=torch.float32, is_shared=False),
        b: TensorDict(
            fields={
                c: Tensor(shape=torch.Size([3, 4]), device=cpu, dtype=torch.float32, is_shared=False)},
            batch_size=torch.Size([3, 4]),
            device=None,
            is_shared=False)},
    batch_size=torch.Size([3]),
    device=None,
    is_shared=False)

from_dict_instance(input_dict, batch_size=None, device=None, batch_dims=None, names=None)¶

from_dict() 的实例方法版本。

与 from_dict() 不同，此方法将尝试在现有树中保留 tensordict 类型（对于任何现有叶子）。

示例

>>> from tensordict import TensorDict, tensorclass
>>> import torch
>>>
>>> @tensorclass
>>> class MyClass:
...     x: torch.Tensor
...     y: int
>>>
>>> td = TensorDict({"a": torch.randn(()), "b": MyClass(x=torch.zeros(()), y=1)})
>>> print(td.from_dict_instance(td.to_dict()))
TensorDict(
    fields={
        a: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        b: MyClass(
            x=Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
            y=Tensor(shape=torch.Size([]), device=cpu, dtype=torch.int64, is_shared=False),
            batch_size=torch.Size([]),
            device=None,
            is_shared=False)},
    batch_size=torch.Size([]),
    device=None,
    is_shared=False)
>>> print(td.from_dict(td.to_dict()))
TensorDict(
    fields={
        a: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        b: TensorDict(
            fields={
                x: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
                y: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.int64, is_shared=False)},
            batch_size=torch.Size([]),
            device=None,
            is_shared=False)},
    batch_size=torch.Size([]),
    device=None,
    is_shared=False)

classmethod from_h5(filename, mode='r')¶

从 h5 文件创建 PersistentTensorDict。

此函数将自动确定每个嵌套 tensordict 的批次大小。

参数:

filename (str) – h5 文件的路径。
mode (str, optional) – 读取模式。默认为 "r"。

classmethod from_module(module: Module, as_module: bool = False, lock: bool = False, use_state_dict: bool = False, filter_empty: bool = True)¶

将模块的参数和缓冲区复制到 tensordict 中。

参数:

module (nn.Module) – 要从中获取参数的模块。
as_module (bool, optional) – 如果为 True，将返回一个 TensorDictParams 实例，该实例可用于在 torch.nn.Module 中存储参数。默认为 False。
lock (bool, optional) – 如果为 True，则生成的 tensordict 将被锁定。默认为 True。
use_state_dict (bool, optional) –
如果为 True，将使用模块中的 state_dict 并将其解扁平化为具有模型树结构的 TensorDict。默认为 False。

注意

当必须使用 state-dict 钩子时，这尤其有用。

示例

>>> from torch import nn
>>> module = nn.TransformerDecoder(
...     decoder_layer=nn.TransformerDecoderLayer(nhead=4, d_model=4),
...     num_layers=1
... )
>>> params = TensorDict.from_module(module)
>>> print(params["layers", "0", "linear1"])
TensorDict(
    fields={
        bias: Parameter(shape=torch.Size([2048]), device=cpu, dtype=torch.float32, is_shared=False),
        weight: Parameter(shape=torch.Size([2048, 4]), device=cpu, dtype=torch.float32, is_shared=False)},
    batch_size=torch.Size([]),
    device=None,
    is_shared=False)

classmethod from_modules(*modules, as_module: bool = False, lock: bool = True, use_state_dict: bool = False, lazy_stack: bool = False, expand_identical: bool = False)¶

检索多个模块的参数，用于集成学习/通过 vmap 实现期望应用的特征。

参数:

modules (sequence of nn.Module) – 要从中获取参数的模块。如果模块的结构不同，则需要延迟堆叠（请参阅下面的 lazy_stack 参数）。

关键字参数:

as_module (bool, optional) – 如果为 True，将返回一个 TensorDictParams 实例，该实例可用于在 torch.nn.Module 中存储参数。默认为 False。
lock (bool, optional) – 如果为 True，则生成的 tensordict 将被锁定。默认为 True。
use_state_dict (bool, optional) –
如果为 True，将使用模块中的 state_dict 并将其解扁平化为具有模型树结构的 TensorDict。默认为 False。

注意

当必须使用 state-dict 钩子时，这尤其有用。
lazy_stack (bool, optional) –
参数应该是密集堆叠还是延迟堆叠。默认为 False（密集堆叠）。

注意

lazy_stack 和 as_module 是互斥的功能。

警告

延迟输出和非延迟输出之间存在一个关键区别，即非延迟输出将使用所需的批次大小重新实例化参数，而 lazy_stack 仅将参数表示为延迟堆叠。这意味着，当 lazy_stack=True 时，原始参数可以安全地传递给优化器，而当设置为 True 时，需要传递新参数。

警告

虽然使用延迟堆叠来保留原始参数引用可能很诱人，但请记住，每次调用 get() 时，延迟堆叠都会执行堆叠操作。这将需要内存（参数大小的 N 倍，如果构建了图，则更多）和时间来计算。这也意味着优化器将包含更多参数，并且诸如 step() 或 zero_grad() 之类的操作将需要更长的时间才能执行。通常，lazy_stack 应保留给极少数用例。
expand_identical (bool, 可选) – 如果 True 并且相同的参数（相同标识）正在堆叠到自身，则会返回此参数的扩展版本。当 lazy_stack=True 时，此参数将被忽略。

示例

>>> from torch import nn
>>> from tensordict import TensorDict
>>> torch.manual_seed(0)
>>> empty_module = nn.Linear(3, 4, device="meta")
>>> n_models = 2
>>> modules = [nn.Linear(3, 4) for _ in range(n_models)]
>>> params = TensorDict.from_modules(*modules)
>>> print(params)
TensorDict(
    fields={
        bias: Parameter(shape=torch.Size([2, 4]), device=cpu, dtype=torch.float32, is_shared=False),
        weight: Parameter(shape=torch.Size([2, 4, 3]), device=cpu, dtype=torch.float32, is_shared=False)},
    batch_size=torch.Size([2]),
    device=None,
    is_shared=False)
>>> # example of batch execution
>>> def exec_module(params, x):
...     with params.to_module(empty_module):
...         return empty_module(x)
>>> x = torch.randn(3)
>>> y = torch.vmap(exec_module, (0, None))(params, x)
>>> assert y.shape == (n_models, 4)
>>> # since lazy_stack = False, backprop leaves the original params untouched
>>> y.sum().backward()
>>> assert params["weight"].grad.norm() > 0
>>> assert modules[0].weight.grad is None

当 lazy_stack=True 时，情况略有不同

>>> params = TensorDict.from_modules(*modules, lazy_stack=True)
>>> print(params)
LazyStackedTensorDict(
    fields={
        bias: Tensor(shape=torch.Size([2, 4]), device=cpu, dtype=torch.float32, is_shared=False),
        weight: Tensor(shape=torch.Size([2, 4, 3]), device=cpu, dtype=torch.float32, is_shared=False)},
    exclusive_fields={
    },
    batch_size=torch.Size([2]),
    device=None,
    is_shared=False,
    stack_dim=0)
>>> # example of batch execution
>>> y = torch.vmap(exec_module, (0, None))(params, x)
>>> assert y.shape == (n_models, 4)
>>> y.sum().backward()
>>> assert modules[0].weight.grad is not None

classmethod from_namedtuple(named_tuple, *, auto_batch_size: bool = False)¶

递归地将 namedtuple 转换为 TensorDict。

关键字参数:: auto_batch_size (bool, 可选) – 如果 True，则批大小将自动计算。默认为 False。

示例

>>> from tensordict import TensorDict
>>> import torch
>>> data = TensorDict({
...     "a_tensor": torch.zeros((3)),
...     "nested": {"a_tensor": torch.zeros((3)), "a_string": "zero!"}}, [3])
>>> nt = data.to_namedtuple()
>>> print(nt)
GenericDict(a_tensor=tensor([0., 0., 0.]), nested=GenericDict(a_tensor=tensor([0., 0., 0.]), a_string='zero!'))
>>> TensorDict.from_namedtuple(nt, auto_batch_size=True)
TensorDict(
    fields={
        a_tensor: Tensor(shape=torch.Size([3]), device=cpu, dtype=torch.float32, is_shared=False),
        nested: TensorDict(
            fields={
                a_string: NonTensorData(data=zero!, batch_size=torch.Size([3]), device=None),
                a_tensor: Tensor(shape=torch.Size([3]), device=cpu, dtype=torch.float32, is_shared=False)},
            batch_size=torch.Size([3]),
            device=None,
            is_shared=False)},
    batch_size=torch.Size([3]),
    device=None,
    is_shared=False)

classmethod from_pytree(pytree, *, batch_size: Optional[Size] = None, auto_batch_size: bool = False, batch_dims: Optional[int] = None)¶

将 pytree 转换为 TensorDict 实例。

此方法旨在尽可能保留 pytree 的嵌套结构。

添加了额外的非张量键来跟踪每个级别的标识，从而提供内置的 pytree 到 tensordict 的双射转换 API。

目前接受的类包括列表、元组、命名元组和字典。

注意

对于字典，非 NestedKey 键会作为 NonTensorData 实例单独注册。

注意

可转换为张量的类型（例如 int、float 或 np.ndarray）将被转换为 torch.Tensor 实例。请注意，此转换是满射的：将 tensordict 转换回 pytree 不会恢复原始类型。

示例

>>> # Create a pytree with tensor leaves, and one "weird"-looking dict key
>>> class WeirdLookingClass:
...     pass
...
>>> weird_key = WeirdLookingClass()
>>> # Make a pytree with tuple, lists, dict and namedtuple
>>> pytree = (
...     [torch.randint(10, (3,)), torch.zeros(2)],
...     {
...         "tensor": torch.randn(
...             2,
...         ),
...         "td": TensorDict({"one": 1}),
...         weird_key: torch.randint(10, (2,)),
...         "list": [1, 2, 3],
...     },
...     {"named_tuple": TensorDict({"two": torch.ones(1) * 2}).to_namedtuple()},
... )
>>> # Build a TensorDict from that pytree
>>> td = TensorDict.from_pytree(pytree)
>>> # Recover the pytree
>>> pytree_recon = td.to_pytree()
>>> # Check that the leaves match
>>> def check(v1, v2):
>>>     assert (v1 == v2).all()
>>>
>>> torch.utils._pytree.tree_map(check, pytree, pytree_recon)
>>> assert weird_key in pytree_recon[1]

classmethod from_struct_array(struct_array: ndarray, device: Optional[device] = None) → T¶

将结构化的 numpy 数组转换为 TensorDict。

生成的 TensorDict 的内容将与 numpy 数组共享相同的内存内容（这是一个零拷贝操作）。就地更改结构化 numpy 数组的值将影响 TensorDict 的内容。

示例

>>> x = np.array(
...     [("Rex", 9, 81.0), ("Fido", 3, 27.0)],
...     dtype=[("name", "U10"), ("age", "i4"), ("weight", "f4")],
... )
>>> td = TensorDict.from_struct_array(x)
>>> x_recon = td.to_struct_array()
>>> assert (x_recon == x).all()
>>> assert x_recon.shape == x.shape
>>> # Try modifying x age field and check effect on td
>>> x["age"] += 1
>>> assert (td["age"] == np.array([10, 4])).all()

classmethod fromkeys(keys: List[NestedKey], value: Any = 0)¶

从键列表和单个值创建一个 tensordict。

参数:

keys (NestedKey 列表) – 一个可迭代对象，用于指定新字典的键。
value (兼容类型, 可选) – 所有键的值。默认为 0。

gather(dim: int, index: Tensor, out: Optional[T] = None) → T¶

沿着由 dim 指定的轴收集值。

参数:

dim (int) – 收集元素的维度
index (torch.Tensor) – 一个长整型张量，其维度数与 tensordict 的维度数匹配，两者之间只有一个维度不同（即收集维度）。它的元素指向要沿所需维度收集的索引。
out (TensorDictBase, 可选) – 目标 tensordict。它必须与索引具有相同的形状。

示例

>>> td = TensorDict(
...     {"a": torch.randn(3, 4, 5),
...      "b": TensorDict({"c": torch.zeros(3, 4, 5)}, [3, 4, 5])},
...     [3, 4])
>>> index = torch.randint(4, (3, 2))
>>> td_gather = td.gather(dim=1, index=index)
>>> print(td_gather)
TensorDict(
    fields={
        a: Tensor(shape=torch.Size([3, 2, 5]), device=cpu, dtype=torch.float32, is_shared=False),
        b: TensorDict(
            fields={
                c: Tensor(shape=torch.Size([3, 2, 5]), device=cpu, dtype=torch.float32, is_shared=False)},
            batch_size=torch.Size([3, 2, 5]),
            device=None,
            is_shared=False)},
    batch_size=torch.Size([3, 2]),
    device=None,
    is_shared=False)

Gather 操作会保留维度名称。

示例

>>> td.names = ["a", "b"]
>>> td_gather = td.gather(dim=1, index=index)
>>> td_gather.names
["a", "b"]

gather_and_stack(dst: int, group: 'dist.ProcessGroup' | None = None) → T | None¶

从不同的 worker 收集 tensordict，并将它们堆叠到目标 worker 的自身之上。

参数:

dst (int) – 将调用 gather_and_stack() 的目标 worker 的 rank。
group (torch.distributed.ProcessGroup, 可选) – 如果设置，将使用指定的进程组进行通信。否则，将使用默认进程组。默认为 None。

示例

>>> from torch import multiprocessing as mp
>>> from tensordict import TensorDict
>>> import torch
>>>
>>> def client():
...     torch.distributed.init_process_group(
...         "gloo",
...         rank=1,
...         world_size=2,
...         init_method=f"tcp://127.0.0.1:10003",
...     )
...     # Create a single tensordict to be sent to server
...     td = TensorDict(
...         {("a", "b"): torch.randn(2),
...          "c": torch.randn(2)}, [2]
...     )
...     td.gather_and_stack(0)
...
>>> def server():
...     torch.distributed.init_process_group(
...         "gloo",
...         rank=0,
...         world_size=2,
...         init_method=f"tcp://127.0.0.1:10003",
...     )
...     # Creates the destination tensordict on server.
...     # The first dim must be equal to world_size-1
...     td = TensorDict(
...         {("a", "b"): torch.zeros(2),
...          "c": torch.zeros(2)}, [2]
...     ).expand(1, 2).contiguous()
...     td.gather_and_stack(0)
...     assert td["a", "b"] != 0
...     print("yuppie")
...
>>> if __name__ == "__main__":
...     mp.set_start_method("spawn")
...
...     main_worker = mp.Process(target=server)
...     secondary_worker = mp.Process(target=client)
...
...     main_worker.start()
...     secondary_worker.start()
...
...     main_worker.join()
...     secondary_worker.join()

get(key: NestedKey, *args, **kwargs) → Tensor¶

获取与输入键关联存储的值。

参数:

key (str, str 元组) – 要查询的键。如果是 str 元组，则等效于链式调用 getattr。
default –
如果 tensordict 中未找到键，则返回默认值。

警告

目前，如果键不存在于 tensordict 中且未传递默认值，则会引发 KeyError 错误。从 v0.7 版本开始，此行为将更改，改为返回 None 值。要采用新行为，请设置环境变量 export TD_GET_DEFAULTS_TO_NONE=’1’ 或调用 :func`~tensordict.set_get_defaults_to_none`。

示例

>>> td = TensorDict({"x": 1}, batch_size=[])
>>> td.get("x")
tensor(1)
>>> set_get_defaults_to_none(False) # Current default behaviour
>>> td.get("y") # Raises KeyError
>>> set_get_defaults_to_none(True)
>>> td.get("y")
None

get_at(key: NestedKey, index: Union[None, int, slice, str, Tensor, List[Any], Tuple[Any, ...]], default: Tensor = _NoDefault.ZERO) → Tensor¶

从键 key 和索引 idx 处获取 tensordict 的值。

参数:

key (str, str 元组) – 要检索的键。
index (int, slice, torch.Tensor, 可迭代对象) – 张量的索引。
default (torch.Tensor) – 如果键不存在于 tensordict 中，则返回的默认值。

返回:

索引张量。

示例

>>> td = TensorDict({"x": torch.arange(3)}, batch_size=[])
>>> td.get_at("x", index=1)
tensor(1)

get_item_shape(key: NestedKey)¶: 返回条目的形状，可能避免重复调用 get()。

get_non_tensor(key: NestedKey, default=_NoDefault.ZERO)¶

获取一个非张量值（如果存在），如果未找到非张量值，则返回 default。

此方法对于张量/TensorDict 值具有鲁棒性，这意味着如果收集的值是常规张量，它也会被返回（尽管此方法会带来一些开销，不应超出其自然范围使用）。

有关如何在 tensordict 中设置非张量值的更多信息，请参阅 set_non_tensor()。

参数:

key (NestedKey) – NonTensorData 对象的位置。
default (Any, 可选) – 如果找不到键，则返回的值。

返回：tensordict.tensorclass.NonTensorData 的内容，: 或者与 key 对应的条目（如果它不是 tensordict.tensorclass.NonTensorData），或者 default （如果找不到条目）。

示例

>>> data = TensorDict({}, batch_size=[])
>>> data.set_non_tensor(("nested", "the string"), "a string!")
>>> assert data.get_non_tensor(("nested", "the string")) == "a string!"
>>> # regular `get` works but returns a NonTensorData object
>>> data.get(("nested", "the string"))
NonTensorData(
    data='a string!',
    batch_size=torch.Size([]),
    device=None,
    is_shared=False)

property grad¶: 返回一个 tensordict，其中包含叶张量的 .grad 属性。

half()¶: 将所有张量转换为 torch.half 类型。

int()¶: 将所有张量转换为 torch.int 类型。

int16()¶: 将所有张量转换为 torch.int16 类型。

int32()¶: 将所有张量转换为 torch.int32 类型。

int64()¶: 将所有张量转换为 torch.int64 类型。

int8()¶: 将所有张量转换为 torch.int8 类型。

irecv(src: int, *, group: 'dist.ProcessGroup' | None = None, return_premature: bool = False, init_tag: int = 0, pseudo_rand: bool = False) → tuple[int, list[torch.Future]] | list[torch.Future] | None¶

异步接收 tensordict 的内容并使用其更新内容。

有关上下文，请查看 isend() 方法中的示例。

参数:

src (int) – 源 worker 的 rank。

关键字参数:

group (torch.distributed.ProcessGroup, 可选) – 如果设置，将使用指定的进程组进行通信。否则，将使用默认进程组。默认为 None。
return_premature (bool) – 如果为 True，则返回一个 future 列表，用于等待直到 tensordict 更新完成。默认为 False，即在调用中等待直到更新完成。
init_tag (int) – 源 worker 使用的 init_tag。
pseudo_rand (bool) – 如果为 True，则标签序列将是伪随机的，从而允许从不同节点发送多个数据而不会重叠。请注意，生成这些伪随机数开销很大（1e-5 秒/数字），这意味着它可能会减慢算法的运行时速度。此值必须与传递给 isend() 的值匹配。默认为 False。

返回:

如果 return_premature=True，则返回一个 future 列表以等待: 直到 tensordict 更新完成。

is_consolidated()¶: 检查 TensorDict 是否具有 consolidated 存储。

is_contiguous() → bool¶: 返回一个布尔值，指示所有张量是否是连续的。

is_empty()¶: 检查 tensordict 是否包含任何叶节点。

is_memmap() → bool¶

检查 tensordict 是否是内存映射的。

如果 TensorDict 实例是内存映射的，则会被锁定（条目无法重命名、删除或添加）。如果使用所有内存映射的张量创建 TensorDict，这__不__意味着 is_memmap 将返回 True（因为新张量可能是也可能不是内存映射的）。只有当调用 tensordict.memmap_() 时，tensordict 才会被视为内存映射的。

对于 CUDA 设备上的 tensordict，这始终为 True。

is_shared() → bool¶

检查 tensordict 是否在共享内存中。

如果 TensorDict 实例在共享内存中，则会被锁定（条目无法重命名、删除或添加）。如果使用所有在共享内存中的张量创建 TensorDict，这__不__意味着 is_shared 将返回 True（因为新张量可能是也可能不在共享内存中）。只有当调用 tensordict.share_memory_() 或将 tensordict 放置在默认共享内容的设备上（例如，"cuda"）时，tensordict 才会被视为在共享内存中。

对于 CUDA 设备上的 tensordict，这始终为 True。

isend(dst: int, *, group: 'dist.ProcessGroup' | None = None, init_tag: int = 0, pseudo_rand: bool = False) → int¶

异步发送 tensordict 的内容。

参数:

dst (int) – 应该将内容发送到的目标 worker 的 rank。

关键字参数:

group (torch.distributed.ProcessGroup, 可选) – 如果设置，将使用指定的进程组进行通信。否则，将使用默认进程组。默认为 None。
init_tag (int) – 用于标记张量的初始标签。请注意，这将增加 TensorDict 中包含的张量数量。
pseudo_rand (bool) – 如果为 True，则标签序列将是伪随机的，从而允许从不同节点发送多个数据而不会重叠。请注意，生成这些伪随机数开销很大（1e-5 秒/数字），这意味着它可能会减慢算法的运行时速度。默认为 False。

示例

>>> import torch
>>> from tensordict import TensorDict
>>> from torch import multiprocessing as mp
>>> def client():
...     torch.distributed.init_process_group(
...         "gloo",
...         rank=1,
...         world_size=2,
...         init_method=f"tcp://127.0.0.1:10003",
...     )
...
...     td = TensorDict(
...         {
...             ("a", "b"): torch.randn(2),
...             "c": torch.randn(2, 3),
...             "_": torch.ones(2, 1, 5),
...         },
...         [2],
...     )
...     td.isend(0)
...
>>>
>>> def server(queue, return_premature=True):
...     torch.distributed.init_process_group(
...         "gloo",
...         rank=0,
...         world_size=2,
...         init_method=f"tcp://127.0.0.1:10003",
...     )
...     td = TensorDict(
...         {
...             ("a", "b"): torch.zeros(2),
...             "c": torch.zeros(2, 3),
...             "_": torch.zeros(2, 1, 5),
...         },
...         [2],
...     )
...     out = td.irecv(1, return_premature=return_premature)
...     if return_premature:
...         for fut in out:
...             fut.wait()
...     assert (td != 0).all()
...     queue.put("yuppie")
...
>>>
>>> if __name__ == "__main__":
...     queue = mp.Queue(1)
...     main_worker = mp.Process(
...         target=server,
...         args=(queue, )
...         )
...     secondary_worker = mp.Process(target=client)
...
...     main_worker.start()
...     secondary_worker.start()
...     out = queue.get(timeout=10)
...     assert out == "yuppie"
...     main_worker.join()
...     secondary_worker.join()

isfinite() → T¶

返回一个新的 tensordict，其中包含布尔元素，表示每个元素是否是有限的。

当实数值不是 NaN、负无穷大或正无穷大时，它们是有限的。当复数的实部和虚部都是有限的时，它们是有限的。

isnan() → T¶

返回一个新的 tensordict，其中包含布尔元素，表示输入的每个元素是否为 NaN。

当复数的实部和/或虚部为 NaN 时，复数值被认为是 NaN。

isneginf() → T¶: 测试输入的每个元素是否为负无穷大。

isposinf() → T¶: 测试输入的每个元素是否为负无穷大。

isreal() → T¶: 返回一个新的 tensordict，其中包含布尔元素，表示输入的每个元素是否为实数值。

items(include_nested: bool = False, leaves_only: bool = False, is_leaf: Optional[Callable[[Type], bool]] = None, *, sort: bool = False) → Iterator[tuple[str, torch.Tensor]]¶

返回 tensordict 的键值对生成器。

参数:

include_nested (bool, 可选) – 如果为 True，将返回嵌套值。默认为 False。
leaves_only (bool, 可选) – 如果为 False，则仅返回叶节点。默认为 False。
is_leaf – 一个可选的可调用对象，用于指示一个类是否应被视为叶节点。

关键字参数:

sort (bool, 可选) – 是否应排序键。对于嵌套键，键根据其连接的名称排序（即，("a", "key") 将被视为 "a.key" 进行排序）。请注意，在处理大型 tensordict 时，排序可能会产生显著的开销。默认为 False。

keys(include_nested: bool = False, leaves_only: bool = False, is_leaf: Optional[Callable[[Type], bool]] = None, *, sort: bool = False) → _TensorDictKeysView¶

返回 tensordict 键的生成器。

警告

TensorDict 的 keys() 方法返回键的惰性视图。如果查询了 keys 但未对其进行迭代，然后修改了 tensordict，则稍后迭代键将返回键的新配置。

参数:

include_nested (bool, 可选) – 如果为 True，将返回嵌套值。默认为 False。
leaves_only (bool, 可选) – 如果为 False，则仅返回叶节点。默认为 False。
is_leaf – 一个可选的可调用对象，用于指示一个类是否应被视为叶节点。

关键字参数:

sort (bool, 可选) – 是否应排序键。对于嵌套键，键根据其连接的名称排序（即，("a", "key") 将被视为 "a.key" 进行排序）。请注意，在处理大型 tensordict 时，排序可能会产生显著的开销。默认为 False。

示例

>>> from tensordict import TensorDict
>>> data = TensorDict({"0": 0, "1": {"2": 2}}, batch_size=[])
>>> data.keys()
['0', '1']
>>> list(data.keys(leaves_only=True))
['0']
>>> list(data.keys(include_nested=True, leaves_only=True))
['0', '1', ('1', '2')]

classmethod lazy_stack(input, dim=0, *, out=None, **kwargs)¶

创建 tensordict 的惰性堆叠。

有关详细信息，请参阅 lazy_stack()。

lerp(end: tensordict.base.TensorDictBase | torch.Tensor, weight: tensordict.base.TensorDictBase | torch.Tensor | float)¶

基于标量或张量 weight，对两个张量 start (由 self 给出) 和 end 进行线性插值。

\[\text{out}_i = \text{start}_i + \text{weight}_i \times (\text{end}_i - \text{start}_i)\]

start 和 end 的形状必须是可广播的。如果 weight 是一个张量，则 weight、start 和 end 的形状必须是可广播的。

参数:

end (TensorDict) – 包含结束点的 tensordict。
weight (TensorDict, 张量或 float) – 插值公式的权重。

lerp_(end: tensordict.base.TensorDictBase | torch.Tensor, weight: tensordict.base.TensorDictBase | float)¶: lerp() 的原地版本。

lgamma() → T¶: 计算 TensorDict 中每个元素的 lgamma() 值。

lgamma_() → T¶: 原地计算 TensorDict 中每个元素的 lgamma() 值。

classmethod load(prefix: str | pathlib.Path, *args, **kwargs) → T¶

从磁盘加载 tensordict。

此classmethod是 load_memmap() 的代理。

load_(prefix: str | pathlib.Path, *args, **kwargs)¶

在当前 tensordict 中从磁盘加载 tensordict。

此classmethod是 load_memmap_() 的代理。

classmethod load_memmap(prefix: str | pathlib.Path, device: Optional[device] = None, non_blocking: bool = False, *, out: Optional[TensorDictBase] = None) → T¶

从磁盘加载内存映射的 tensordict。

参数:

prefix (str 或 文件夹路径) – 保存的 tensordict 所在文件夹的路径。
device (torch.device 或 等效设备, 可选) – 如果提供，数据将被异步转换为该设备。支持 “meta” 设备，在这种情况下，数据不会被加载，但会创建一组空的“meta”张量。这对于了解模型总大小和结构而无需实际打开任何文件非常有用。
non_blocking (bool, 可选) – 如果为 True，在设备上加载张量后不会调用 synchronize。默认为 False。
out (TensorDictBase, 可选) – 可选的 tensordict，数据应写入其中。

示例

>>> from tensordict import TensorDict
>>> td = TensorDict.fromkeys(["a", "b", "c", ("nested", "e")], 0)
>>> td.memmap("./saved_td")
>>> td_load = TensorDict.load_memmap("./saved_td")
>>> assert (td == td_load).all()

此方法还允许加载嵌套的 tensordict。

示例

>>> nested = TensorDict.load_memmap("./saved_td/nested")
>>> assert nested["e"] == 0

tensordict 也可以加载到“meta”设备上，或者作为伪张量加载。

示例

>>> import tempfile
>>> td = TensorDict({"a": torch.zeros(()), "b": {"c": torch.zeros(())}})
>>> with tempfile.TemporaryDirectory() as path:
...     td.save(path)
...     td_load = TensorDict.load_memmap(path, device="meta")
...     print("meta:", td_load)
...     from torch._subclasses import FakeTensorMode
...     with FakeTensorMode():
...         td_load = TensorDict.load_memmap(path)
...         print("fake:", td_load)
meta: TensorDict(
    fields={
        a: Tensor(shape=torch.Size([]), device=meta, dtype=torch.float32, is_shared=False),
        b: TensorDict(
            fields={
                c: Tensor(shape=torch.Size([]), device=meta, dtype=torch.float32, is_shared=False)},
            batch_size=torch.Size([]),
            device=meta,
            is_shared=False)},
    batch_size=torch.Size([]),
    device=meta,
    is_shared=False)
fake: TensorDict(
    fields={
        a: FakeTensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        b: TensorDict(
            fields={
                c: FakeTensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False)},
            batch_size=torch.Size([]),
            device=cpu,
            is_shared=False)},
    batch_size=torch.Size([]),
    device=cpu,
    is_shared=False)

load_memmap_(prefix: str | pathlib.Path)¶

将内存映射的 tensordict 的内容加载到调用 load_memmap_ 的 tensordict 中。

有关更多信息，请参阅 load_memmap()。

load_state_dict(state_dict: OrderedDict[str, Any], strict=True, assign=False, from_flatten=False) → T¶

将状态字典（格式如 state_dict() 中所述）加载到 tensordict 中。

参数:

state_dict (OrderedDict) – 要复制的状态字典。
strict (bool, 可选) – 是否严格强制执行 state_dict 中的键与此 tensordict 的 torch.nn.Module.state_dict() 函数返回的键匹配。默认值：True
assign (bool, 可选) – 是否将状态字典中的项分配给 tensordict 中对应的键，而不是将它们原地复制到 tensordict 的当前张量中。当 False 时，保留当前模块中张量的属性，而当 True 时，保留状态字典中张量的属性。默认值：False
from_flatten (bool, 可选) – 如果为 True，则假定输入 state_dict 是扁平化的。默认为 False。

示例

>>> data = TensorDict({"1": 1, "2": 2, "3": {"3": 3}}, [])
>>> data_zeroed = TensorDict({"1": 0, "2": 0, "3": {"3": 0}}, [])
>>> sd = data.state_dict()
>>> data_zeroed.load_state_dict(sd)
>>> print(data_zeroed["3", "3"])
tensor(3)
>>> # with flattening
>>> data_zeroed = TensorDict({"1": 0, "2": 0, "3": {"3": 0}}, [])
>>> data_zeroed.load_state_dict(data.state_dict(flatten=True), from_flatten=True)
>>> print(data_zeroed["3", "3"])
tensor(3)

lock_() → T¶

锁定 tensordict 以进行非原地操作。

诸如 set(), __setitem__(), update(), rename_key_() 等添加或删除条目的操作将被阻止。

此方法可以用作装饰器。

示例

>>> from tensordict import TensorDict
>>> td = TensorDict({"a": 1, "b": 2, "c": 3}, batch_size=[])
>>> with td.lock_():
...     assert td.is_locked
...     try:
...         td.set("d", 0) # error!
...     except RuntimeError:
...         print("td is locked!")
...     try:
...         del td["d"]
...     except RuntimeError:
...         print("td is locked!")
...     try:
...         td.rename_key_("a", "d")
...     except RuntimeError:
...         print("td is locked!")
...     td.set("a", 0, inplace=True)  # No storage is added, moved or removed
...     td.set_("a", 0) # No storage is added, moved or removed
...     td.update({"a": 0}, inplace=True)  # No storage is added, moved or removed
...     td.update_({"a": 0})  # No storage is added, moved or removed
>>> assert not td.is_locked

log() → T¶: 计算 TensorDict 中每个元素的 log() 值。

log10() → T¶: 计算 TensorDict 中每个元素的 log10() 值。

log10_() → T¶: 原地计算 TensorDict 中每个元素的 log10() 值。

log1p() → T¶: 计算 TensorDict 中每个元素的 log1p() 值。

log1p_() → T¶: 原地计算 TensorDict 中每个元素的 log1p() 值。

log2() → T¶: 计算 TensorDict 中每个元素的 log2() 值。

log2_() → T¶: 原地计算 TensorDict 中每个元素的 log2() 值。

log_() → T¶: 原地计算 TensorDict 中每个元素的 log() 值。

make_memmap(key: NestedKey, shape: torch.Size | torch.Tensor, *, dtype: Optional[dtype] = None) → MemoryMappedTensor¶

根据形状和可能的 dtype 创建一个空的内存映射张量。

警告

此方法在设计上不是锁安全的。多个节点上存在的内存映射 TensorDict 实例将需要使用 memmap_refresh_() 方法进行更新。

写入现有条目将导致错误。

参数:

key (NestedKey) – 要写入的新条目的键。如果键已存在于 tensordict 中，则会引发异常。
shape (torch.Size 或 等效形状, 嵌套张量的 torch.Tensor) – 要写入的张量的形状。

关键字参数:

dtype (torch.dtype, 可选) – 新张量的 dtype。

返回:

一个新的内存映射张量。

make_memmap_from_storage(key: NestedKey, storage: UntypedStorage, shape: torch.Size | torch.Tensor, *, dtype: Optional[dtype] = None) → MemoryMappedTensor¶

根据存储、形状和可能的 dtype 创建一个空的内存映射张量。

警告

此方法在设计上不是锁安全的。多个节点上存在的内存映射 TensorDict 实例将需要使用 memmap_refresh_() 方法进行更新。

注意

如果存储具有关联的文件名，则必须与该文件的新文件名匹配。如果它没有关联的文件名，但 tensordict 具有关联的路径，则会引发异常。

参数:

key (NestedKey) – 要写入的新条目的键。如果键已存在于 tensordict 中，则会引发异常。
storage (torch.UntypedStorage) – 用于新 MemoryMappedTensor 的存储。必须是物理内存存储。
shape (torch.Size 或 等效形状, 嵌套张量的 torch.Tensor) – 要写入的张量的形状。

关键字参数:

dtype (torch.dtype, 可选) – 新张量的 dtype。

返回:

具有给定存储的新内存映射张量。

make_memmap_from_tensor(key: NestedKey, tensor: Tensor, *, copy_data: bool = True, existsok: bool = True) → MemoryMappedTensor¶

给定一个张量，创建一个空的内存映射张量。

警告

此方法在设计上不是锁安全的。多个节点上存在的内存映射 TensorDict 实例将需要使用 memmap_refresh_() 方法进行更新。

如果 copy_data 为 True (即，存储未共享)，此方法始终复制存储内容。

参数:

key (NestedKey) – 要写入的新条目的键。如果键已存在于 tensordict 中，则会引发异常。
tensor (torch.Tensor) – 要在物理内存上复制的张量。

关键字参数:

copy_data (bool, 可选) – 如果 False，则新张量将共享输入的元数据（例如形状和 dtype），但内容将为空。默认为 True。

返回:

具有给定存储的新内存映射张量。

map(fn: Callable[[TensorDictBase], TensorDictBase | None], dim: int = 0, num_workers: int | None = None, *, out: TensorDictBase | None = None, chunksize: int | None = None, num_chunks: int | None = None, pool: mp.Pool | None = None, generator: torch.Generator | None = None, max_tasks_per_child: int | None = None, worker_threads: int = 1, index_with_generator: bool = False, pbar: bool = False, mp_start_method: str | None = None)¶

将函数映射到 tensordict 跨一个维度的分割。

此方法将通过将 tensordict 实例分块为大小相等的 tensordict，并将操作分派到所需数量的工作进程来应用函数。

函数签名应为 Callabe[[TensorDict], Union[TensorDict, Tensor]]。输出必须支持 torch.cat() 操作。该函数必须是可序列化的。

注意

当处理存储在磁盘上的大型数据集（例如，内存映射的 tensordict）时，此方法特别有用，其中块将是原始数据的零复制切片，可以以几乎零成本传递给进程。这允许以很小的成本处理非常大的数据集（例如，超过 Tb 大小）。

参数:

fn (callable) – 应用于 tensordict 的函数。支持类似于 Callabe[[TensorDict], Union[TensorDict, Tensor]] 的签名。
dim (int, 可选) – tensordict 将沿其分块的维度。
num_workers (int, 可选) – 工作进程数。与 pool 互斥。如果未提供，工作进程数将设置为可用 cpu 的数量。

关键字参数:

out (TensorDictBase, 可选) – 输出的可选容器。它沿提供的 dim 的批量大小必须与 self.ndim 匹配。如果它是共享的或 memmap (is_shared() 或 is_memmap() 返回 True)，它将在远程进程中填充，从而避免数据向内传输。否则，来自 self 切片的数据将被发送到进程，在当前进程上收集，并就地写入 out。
chunksize (int, 可选) – 每个数据块的大小。 chunksize 为 0 将沿所需维度解绑 tensordict，并在应用函数后重新堆叠它，而 chunksize>0 将拆分 tensordict 并在生成的 tensordict 列表上调用 torch.cat()。如果未提供，则块的数量将等同于工作进程的数量。对于非常大的 tensordict，如此大的块可能不适合内存以进行操作，并且可能需要更多块才能使操作在实践中可行。此参数与 num_chunks 互斥。
num_chunks (int, 可选) – 要将 tensordict 分割成的块数。如果未提供，则块的数量将等同于工作进程的数量。对于非常大的 tensordict，如此大的块可能不适合内存以进行操作，并且可能需要更多块才能使操作在实践中可行。此参数与 chunksize 互斥。
pool (mp.Pool, 可选) – 用于执行作业的多进程池实例。如果未提供，将在 map 方法中创建池。
generator (torch.Generator, 可选) –
用于播种的生成器。将从中生成基本种子，并且池的每个工作进程将使用提供的种子播种，该种子递增一个从 0 到 num_workers 的唯一整数。如果未提供生成器，则将使用随机整数作为种子。为了与未播种的工作进程一起工作，应单独创建池并直接传递给 map()。

注意

在提供低值种子时应谨慎，因为这可能会导致实验之间自相关，例如：如果请求 8 个工作进程且种子为 4，则工作进程种子范围为 4 到 11。如果种子为 5，则工作进程种子范围为 5 到 12。这两个实验将有 7 个种子的重叠，这可能会对结果产生意外影响。

注意

播种工作进程的目标是在每个工作进程上都有独立的种子，而不是在 map 方法的调用之间获得可重现的结果。换句话说，两个实验可能并且很可能会返回不同的结果，因为不可能知道哪个工作进程将选择哪个作业。但是，我们可以确保每个工作进程都有不同的种子，并且每个工作进程上的伪随机操作将是不相关的。
max_tasks_per_child (int, 可选) – 每个子进程选取的最**大**作业数。默认为 None，即，对作业数没有限制。
worker_threads (int, 可选) – 工作进程的线程数。默认为 1。
index_with_generator (bool, 可选) – 如果 True，则 tensordict 的拆分/分块将在查询期间完成，从而节省初始化时间。请注意，chunk() 和 split() 比索引（在生成器中使用）效率更高，因此在初始化时节省处理时间可能会对总运行时间产生负面影响。默认为 False。
pbar (bool, 可选) – 如果 True，将显示进度条。需要安装 tqdm。默认为 False。
mp_start_method (str, 可选) – 多进程的启动方法。如果未提供，将使用默认启动方法。接受的字符串为 "fork" 和 "spawn"。请记住，"cuda" 张量不能在使用 "fork" 启动方法的进程之间共享。如果 pool 传递给 map 方法，则这无效。

示例

>>> import torch
>>> from tensordict import TensorDict
>>>
>>> def process_data(data):
...     data.set("y", data.get("x") + 1)
...     return data
>>> if __name__ == "__main__":
...     data = TensorDict({"x": torch.zeros(1, 1_000_000)}, [1, 1_000_000]).memmap_()
...     data = data.map(process_data, dim=1)
...     print(data["y"][:, :10])
...
tensor([[1., 1., 1., 1., 1., 1., 1., 1., 1., 1.]])

map_iter(fn: Callable[[TensorDictBase], TensorDictBase | None], dim: int = 0, num_workers: int | None = None, *, shuffle: bool = False, chunksize: int | None = None, num_chunks: int | None = None, pool: mp.Pool | None = None, generator: torch.Generator | None = None, max_tasks_per_child: int | None = None, worker_threads: int = 1, index_with_generator: bool = True, pbar: bool = False, mp_start_method: str | None = None)¶

迭代地将函数映射到 tensordict 跨一个维度的分割。

这是 map() 的可迭代版本。

此方法将通过将 tensordict 实例分块为大小相等的 tensordict，并将操作分派到所需数量的工作进程来应用函数。它将一次产生一个结果。

函数签名应为 Callabe[[TensorDict], Union[TensorDict, Tensor]]。该函数必须是可序列化的。

注意

当处理存储在磁盘上的大型数据集（例如，内存映射的 tensordict）时，此方法特别有用，其中块将是原始数据的零复制切片，可以以几乎零成本传递给进程。这允许以很小的成本处理非常大的数据集（例如，超过 Tb 大小）。

注意

此函数可以像数据加载器一样用于表示数据集并从中加载。

参数:

fn (callable) – 应用于 tensordict 的函数。支持类似于 Callabe[[TensorDict], Union[TensorDict, Tensor]] 的签名。
dim (int, 可选) – tensordict 将沿其分块的维度。
num_workers (int, 可选) – 工作进程数。与 pool 互斥。如果未提供，工作进程数将设置为可用 cpu 的数量。

关键字参数:

shuffle (bool, 可选) – 指示是否应全局打乱索引。如果 True，则每个批次将包含非连续样本。如果 index_with_generator=False 且 shuffle=True`，则会引发错误。默认为 False。
chunksize (int, 可选) – 每个数据块的大小。 chunksize 为 0 将沿所需维度解绑 tensordict，并在应用函数后重新堆叠它，而 chunksize>0 将拆分 tensordict 并在生成的 tensordict 列表上调用 torch.cat()。如果未提供，则块的数量将等同于工作进程的数量。对于非常大的 tensordict，如此大的块可能不适合内存以进行操作，并且可能需要更多块才能使操作在实践中可行。此参数与 num_chunks 互斥。
num_chunks (int, 可选) – 要将 tensordict 分割成的块数。如果未提供，则块的数量将等同于工作进程的数量。对于非常大的 tensordict，如此大的块可能不适合内存以进行操作，并且可能需要更多块才能使操作在实践中可行。此参数与 chunksize 互斥。
pool (mp.Pool, 可选) – 用于执行作业的多进程池实例。如果未提供，将在 map 方法中创建池。
generator (torch.Generator, 可选) –
用于播种的生成器。将从中生成基本种子，并且池的每个工作进程将使用提供的种子播种，该种子递增一个从 0 到 num_workers 的唯一整数。如果未提供生成器，则将使用随机整数作为种子。为了与未播种的工作进程一起工作，应单独创建池并直接传递给 map()。

注意

在提供低值种子时应谨慎，因为这可能会导致实验之间自相关，例如：如果请求 8 个工作进程且种子为 4，则工作进程种子范围为 4 到 11。如果种子为 5，则工作进程种子范围为 5 到 12。这两个实验将有 7 个种子的重叠，这可能会对结果产生意外影响。

注意

播种工作进程的目标是在每个工作进程上都有独立的种子，而不是在 map 方法的调用之间获得可重现的结果。换句话说，两个实验可能并且很可能会返回不同的结果，因为不可能知道哪个工作进程将选择哪个作业。但是，我们可以确保每个工作进程都有不同的种子，并且每个工作进程上的伪随机操作将是不相关的。
max_tasks_per_child (int, 可选) – 每个子进程选取的最**大**作业数。默认为 None，即，对作业数没有限制。
worker_threads (int, 可选) – 工作进程的线程数。默认为 1。
index_with_generator (bool, 可选) –
如果 True，则 tensordict 的拆分/分块将在查询期间完成，从而节省初始化时间。请注意，chunk() 和 split() 比索引（在生成器中使用）效率更高，因此在初始化时节省处理时间可能会对总运行时间产生负面影响。默认为 True。

注意

index_with_generator 的默认值对于 map_iter 和 map 是不同的，前者假设存储 TensorDict 的拆分版本在内存中非常昂贵。
pbar (bool, 可选) – 如果 True，将显示进度条。需要安装 tqdm。默认为 False。
mp_start_method (str, 可选) – 多进程的启动方法。如果未提供，将使用默认启动方法。接受的字符串为 "fork" 和 "spawn"。请记住，"cuda" 张量不能在使用 "fork" 启动方法的进程之间共享。如果 pool 传递给 map 方法，则这无效。

示例

>>> import torch
>>> from tensordict import TensorDict
>>>
>>> def process_data(data):
...     data.unlock_()
...     data.set("y", data.get("x") + 1)
...     return data
>>> if __name__ == "__main__":
...     data = TensorDict({"x": torch.zeros(1, 1_000_000)}, [1, 1_000_000]).memmap_()
...     for sample in data.map_iter(process_data, dim=1, chunksize=5):
...         print(sample["y"])
...         break
...
tensor([[1., 1., 1., 1., 1.]])

masked_fill(mask: Tensor, value: float | bool) → T¶

masked_fill 的异地版本。

参数:

mask (boolean torch.Tensor) – 要填充的值的掩码。形状必须与 tensordict 批量大小匹配。
value – 用于填充张量的值。

返回:

self

示例

>>> td = TensorDict(source={'a': torch.zeros(3, 4)},
...     batch_size=[3])
>>> mask = torch.tensor([True, False, False])
>>> td1 = td.masked_fill(mask, 1.0)
>>> td1.get("a")
tensor([[1., 1., 1., 1.],
        [0., 0., 0., 0.],
        [0., 0., 0., 0.]])

masked_fill_(mask: Tensor, value: float | int | bool) → T¶

用所需值填充对应于掩码的值。

参数:

mask (boolean torch.Tensor) – 要填充的值的掩码。形状必须与 tensordict 批量大小匹配。
value – 用于填充张量的值。

返回:

self

示例

>>> td = TensorDict(source={'a': torch.zeros(3, 4)},
...     batch_size=[3])
>>> mask = torch.tensor([True, False, False])
>>> td.masked_fill_(mask, 1.0)
>>> td.get("a")
tensor([[1., 1., 1., 1.],
        [0., 0., 0., 0.],
        [0., 0., 0., 0.]])

masked_select(mask: Tensor) → T¶

对 TensorDict 的所有张量进行掩码操作，并返回一个新的 TensorDict 实例，其中类似的键指向掩码后的值。

参数:: mask (torch.Tensor) – 用于张量的布尔掩码。形状必须与 TensorDict 的 batch_size 匹配。

示例

>>> td = TensorDict(source={'a': torch.zeros(3, 4)},
...    batch_size=[3])
>>> mask = torch.tensor([True, False, False])
>>> td_mask = td.masked_select(mask)
>>> td_mask.get("a")
tensor([[0., 0., 0., 0.]])

maximum(other: tensordict.base.TensorDictBase | torch.Tensor, *, default: Optional[Union[str, Tensor]] = None) → T¶

计算 self 和 other 的逐元素最大值。

参数:: other (TensorDict 或 Tensor) – 其他输入 tensordict 或张量。
关键字参数:: default (torch.Tensor 或 str, 可选) – 用于独占条目的默认值。如果未提供任何值，则两个 tensordict 键列表必须完全匹配。如果传递 default="intersection"，则仅考虑相交的键集，而其他键将被忽略。在所有其他情况下，default 将用于操作两侧的所有缺失条目。

maximum_(other: tensordict.base.TensorDictBase | torch.Tensor) → T¶: maximum() 的原地版本。

注意

原地 maximum 不支持 default 关键字参数。

classmethod maybe_dense_stack(input, dim=0, *, out=None, **kwargs)¶

尝试创建一个 tensordict 的密集堆叠，并在需要时回退到惰性堆叠。

有关详细信息，请参见 maybe_dense_stack()。

mean(dim: Union[int, Tuple[int]] = _NoDefault.ZERO, keepdim: bool = _NoDefault.ZERO, *, dtype: Optional[dtype] = None, reduce: Optional[bool] = None) → tensordict.base.TensorDictBase | torch.Tensor¶

返回输入 tensordict 中所有元素的平均值。

参数:

dim (int, int 元组, 可选) – 如果为 None，则返回一个无量纲的 tensordict，其中包含所有叶子的平均值（如果可以计算）。如果为整数或整数元组，则仅当此维度与 tensordict 形状兼容时，才对指定的维度调用 mean。
keepdim (bool) – 输出张量是否保留维度。

关键字参数:

dtype (torch.dtype, 可选) – 返回张 Desired 的数据类型。如果指定，则在执行操作之前将输入张量转换为 dtype。这对于防止数据类型溢出很有用。默认值：None。
reduce (bool, 可选) – 如果为 True，则将在所有 TensorDict 值上进行缩减，并将返回单个缩减张量。默认为 False。

memmap(prefix: Optional[str] = None, copy_existing: bool = False, *, num_threads: int = 0, return_early: bool = False, share_non_tensor: bool = False, existsok: bool = True) → T¶

将所有张量写入新 tensordict 中相应的内存映射张量。

参数:

prefix (str) – 内存映射张量将存储在其中的目录前缀。目录树结构将模仿 tensordict 的结构。
copy_existing (bool) – 如果为 False（默认），则当 tensordict 中的条目已经是存储在磁盘上且具有关联文件的张量，但未根据前缀保存在正确位置时，将引发异常。如果为 True，则任何现有张量都将被复制到新位置。

关键字参数:

num_threads (int, 可选) – 用于写入内存映射张量的线程数。默认为 0。
return_early (bool, 可选) – 如果为 True 且 num_threads>0，则该方法将返回 tensordict 的 future。
share_non_tensor (bool, 可选) – 如果为 True，则非张量数据将在进程和写入操作之间共享（例如，原地更新或设置），并且单个节点内任何 worker 上的操作都将更新所有其他 worker 上的值。如果非张量叶子的数量很大（例如，共享大量非张量数据堆叠），则可能会导致 OOM 或类似错误。默认为 False。
existsok (bool, 可选) – 如果为 False，则如果张量已存在于同一路径中，则会引发异常。默认为 True。

然后 TensorDict 将被锁定，这意味着任何非原地写入操作都将抛出异常（例如，重命名、设置或删除条目）。一旦 tensordict 被解锁，内存映射属性将变为 False，因为不再保证跨进程标识。

返回:: 如果 return_early=False，则返回一个新 tensordict，其中的张量存储在磁盘上，否则返回一个 TensorDictFuture 实例。

注意

以这种方式序列化对于深度嵌套的 tensordict 可能会很慢，因此不建议在训练循环内调用此方法。

memmap_(prefix: Optional[str] = None, copy_existing: bool = False, *, num_threads: int = 0, return_early: bool = False, share_non_tensor: bool = False, existsok: bool = True) → T¶

将所有张量写入相应的内存映射张量，原地操作。

参数:

prefix (str) – 内存映射张量将存储在其中的目录前缀。目录树结构将模仿 tensordict 的结构。
copy_existing (bool) – 如果为 False（默认），则当 tensordict 中的条目已经是存储在磁盘上且具有关联文件的张量，但未根据前缀保存在正确位置时，将引发异常。如果为 True，则任何现有张量都将被复制到新位置。

关键字参数:

num_threads (int, 可选) – 用于写入内存映射张量的线程数。默认为 0。
return_early (bool, 可选) – 如果为 True 且 num_threads>0，则该方法将返回 tensordict 的 future。可以使用 future.result() 查询结果 tensordict。
share_non_tensor (bool, 可选) – 如果为 True，则非张量数据将在进程和写入操作之间共享（例如，原地更新或设置），并且单个节点内任何 worker 上的操作都将更新所有其他 worker 上的值。如果非张量叶子的数量很大（例如，共享大量非张量数据堆叠），则可能会导致 OOM 或类似错误。默认为 False。
existsok (bool, 可选) – 如果为 False，则如果张量已存在于同一路径中，则会引发异常。默认为 True。

然后 TensorDict 将被锁定，这意味着任何非原地写入操作都将抛出异常（例如，重命名、设置或删除条目）。一旦 tensordict 被解锁，内存映射属性将变为 False，因为不再保证跨进程标识。

返回:: 如果 return_early=False，则返回 self，否则返回一个 TensorDictFuture 实例。

注意

以这种方式序列化对于深度嵌套的 tensordict 可能会很慢，因此不建议在训练循环内调用此方法。

memmap_like(prefix: Optional[str] = None, copy_existing: bool = False, *, existsok: bool = True, num_threads: int = 0, return_early: bool = False, share_non_tensor: bool = False) → T¶

创建一个无内容的内存映射 tensordict，其形状与原始 tensordict 相同。

参数:

prefix (str) – 内存映射张量将存储在其中的目录前缀。目录树结构将模仿 tensordict 的结构。
copy_existing (bool) – 如果为 False（默认），则当 tensordict 中的条目已经是存储在磁盘上且具有关联文件的张量，但未根据前缀保存在正确位置时，将引发异常。如果为 True，则任何现有张量都将被复制到新位置。

关键字参数:

num_threads (int, 可选) – 用于写入内存映射张量的线程数。默认为 0。
return_early (bool, 可选) – 如果为 True 且 num_threads>0，则该方法将返回 tensordict 的 future。
share_non_tensor (bool, 可选) – 如果为 True，则非张量数据将在进程和写入操作之间共享（例如，原地更新或设置），并且单个节点内任何 worker 上的操作都将更新所有其他 worker 上的值。如果非张量叶子的数量很大（例如，共享大量非张量数据堆叠），则可能会导致 OOM 或类似错误。默认为 False。
existsok (bool, 可选) – 如果为 False，则如果张量已存在于同一路径中，则会引发异常。默认为 True。

然后 TensorDict 将被锁定，这意味着任何非原地写入操作都将抛出异常（例如，重命名、设置或删除条目）。一旦 tensordict 被解锁，内存映射属性将变为 False，因为不再保证跨进程标识。

返回:: 如果 return_early=False，则返回一个新的 TensorDict 实例，其数据存储为内存映射张量，否则返回一个 TensorDictFuture 实例。

注意

这是在磁盘上写入一组大型缓冲区的推荐方法，因为 memmap_() 将复制信息，这对于大型内容来说可能很慢。

示例

>>> td = TensorDict({
...     "a": torch.zeros((3, 64, 64), dtype=torch.uint8),
...     "b": torch.zeros(1, dtype=torch.int64),
... }, batch_size=[]).expand(1_000_000)  # expand does not allocate new memory
>>> buffer = td.memmap_like("/path/to/dataset")

memmap_refresh_()¶

如果内存映射 tensordict 具有 saved_path，则刷新其内容。

如果未与其关联路径，则此方法将引发异常。

minimum(other: tensordict.base.TensorDictBase | torch.Tensor, *, default: Optional[Union[str, Tensor]] = None) → T¶

计算 self 和 other 的逐元素最小值。

参数:: other (TensorDict 或 Tensor) – 其他输入 tensordict 或张量。
关键字参数:: default (torch.Tensor 或 str, 可选) – 用于独占条目的默认值。如果未提供任何值，则两个 tensordict 键列表必须完全匹配。如果传递 default="intersection"，则仅考虑相交的键集，而其他键将被忽略。在所有其他情况下，default 将用于操作两侧的所有缺失条目。

minimum_(other: tensordict.base.TensorDictBase | torch.Tensor) → T¶: minimum() 的原地版本。

注意

原地 minimum 不支持 default 关键字参数。

mul(other: tensordict.base.TensorDictBase | torch.Tensor, *, default: Optional[Union[str, Tensor]] = None) → T¶

将 other 乘以 self。

\[\text{{out}}_i = \text{{input}}_i \times \text{{other}}_i\]

支持广播、类型提升以及整数、浮点数和复数输入。

参数:: other (TensorDict, Tensor 或 Number) – 要从 self 中减去的张量或数字。
关键字参数:: default (torch.Tensor 或 str, 可选) – 用于独占条目的默认值。如果未提供任何值，则两个 tensordict 键列表必须完全匹配。如果传递 default="intersection"，则仅考虑相交的键集，而其他键将被忽略。在所有其他情况下，default 将用于操作两侧的所有缺失条目。

mul_(other: tensordict.base.TensorDictBase | torch.Tensor) → T¶: mul() 的原地版本。

注意

原地 mul 不支持 default 关键字参数。

named_apply(fn: Callable, *others: T, nested_keys: bool = False, batch_size: Optional[Sequence[int]] = None, device: torch.device | None = _NoDefault.ZERO, names: Optional[Sequence[str]] = _NoDefault.ZERO, inplace: bool = False, default: Any = _NoDefault.ZERO, filter_empty: Optional[bool] = None, propagate_lock: bool = False, call_on_nested: bool = False, out: Optional[TensorDictBase] = None, **constructor_kwargs) → Optional[T]¶

将键条件可调用对象应用于 tensordict 中存储的所有值，并将它们设置在一个新的 atensordict 中。

可调用签名必须是 Callable[Tuple[str, Tensor, ...], Optional[Union[Tensor, TensorDictBase]]]。

参数:

fn (Callable) – 要应用于 tensordict 中的 (name, tensor) 对的函数。对于每个叶子，仅使用其叶子名称（而不是完整的 NestedKey）。
*others (TensorDictBase 实例，可选) – 如果提供，这些 tensordict 实例应具有与 self 结构匹配的结构。 fn 参数应接收与 tensordict 数量（包括 self）一样多的未命名输入。如果其他 tensordict 缺少条目，则可以通过 default 关键字参数传递默认值。
nested_keys (bool, 可选) – 如果为 True，将使用到叶子的完整路径。默认为 False，即仅将最后一个字符串传递给函数。
batch_size (int 序列，可选) – 如果提供，则生成的 TensorDict 将具有所需的 batch_size。batch_size 参数应与转换后的 batch_size 匹配。这是一个仅关键字参数。
device (torch.device，可选) – 结果设备，如果有的话。
names (str 列表，可选) – 新的维度名称，以防 batch_size 被修改。
inplace (bool, 可选) – 如果为 True，则进行原地更改。默认为 False。这是一个仅关键字参数。
default (Any，可选) – 其他 tensordict 中缺失条目的默认值。如果未提供，缺失条目将引发 KeyError。
filter_empty (bool, 可选) – 如果为 True，则将滤除空的 tensordict。这也降低了计算成本，因为不会创建和销毁空数据结构。为了向后兼容，默认为 False。
propagate_lock (bool, 可选) – 如果为 True，则锁定的 tensordict 将生成另一个锁定的 tensordict。默认为 False。

call_on_nested (bool, 可选) –

如果 True，则将在第一级张量和容器（TensorDict 或 tensorclass）上调用该函数。在这种情况下，func 负责将其调用传播到嵌套级别。这允许在将调用传播到嵌套 tensordict 时进行细粒度的行为。如果 False，则该函数仅在叶节点上调用，并且 apply 将负责将函数分派到所有叶节点。

>>> td = TensorDict({"a": {"b": [0.0, 1.0]}, "c": [1.0, 2.0]})
>>> def mean_tensor_only(val):
...     if is_tensor_collection(val):
...         raise RuntimeError("Unexpected!")
...     return val.mean()
>>> td_mean = td.apply(mean_tensor_only)
>>> def mean_any(val):
...     if is_tensor_collection(val):
...         # Recurse
...         return val.apply(mean_any, call_on_nested=True)
...     return val.mean()
>>> td_mean = td.apply(mean_any, call_on_nested=True)

out (TensorDictBase，可选) –
用于写入结果的 tensordict。这可以用于避免创建新的 tensordict
```
>>> td = TensorDict({"a": 0})
>>> td.apply(lambda x: x+1, out=td)
>>> assert (td==1).all()
```
警告

如果对 tensordict 执行的操作需要访问多个键才能进行单次计算，则提供等于 self 的 out 参数可能会导致操作提供静默的错误结果。例如
```
>>> td = TensorDict({"a": 1, "b": 1})
>>> td.apply(lambda x: x+td["a"])["b"] # Right!
tensor(2)
>>> td.apply(lambda x: x+td["a"], out=td)["b"] # Wrong!
tensor(3)
```
**constructor_kwargs – 要传递给 TensorDict 构造函数的其他关键字参数。

返回:

一个新的包含 transformed_in 张量的 tensordict。

示例

>>> td = TensorDict({
...     "a": -torch.ones(3),
...     "nested": {"a": torch.ones(3), "b": torch.zeros(3)}},
...     batch_size=[3])
>>> def name_filter(name, tensor):
...     if name == "a":
...         return tensor
>>> td.named_apply(name_filter)
TensorDict(
    fields={
        a: Tensor(shape=torch.Size([3]), device=cpu, dtype=torch.float32, is_shared=False),
        nested: TensorDict(
            fields={
                a: Tensor(shape=torch.Size([3]), device=cpu, dtype=torch.float32, is_shared=False)},
            batch_size=torch.Size([3]),
            device=None,
            is_shared=False)},
    batch_size=torch.Size([3]),
    device=None,
    is_shared=False)
>>> def name_filter(name, *tensors):
...     if name == "a":
...         r = 0
...         for tensor in tensors:
...             r = r + tensor
...         return tensor
>>> out = td.named_apply(name_filter, td)
>>> print(out)
TensorDict(
    fields={
        a: Tensor(shape=torch.Size([3]), device=cpu, dtype=torch.float32, is_shared=False),
        nested: TensorDict(
            fields={
                a: Tensor(shape=torch.Size([3]), device=cpu, dtype=torch.float32, is_shared=False)},
            batch_size=torch.Size([3]),
            device=None,
            is_shared=False)},
    batch_size=torch.Size([3]),
    device=None,
    is_shared=False)
>>> print(out["a"])
tensor([-1., -1., -1.])

注意

如果函数返回 None，则忽略该条目。这可以用于过滤 tensordict 中的数据

>>> td = TensorDict({"1": 1, "2": 2, "b": {"2": 2, "1": 1}}, [])
>>> def name_filter(name, tensor):
...     if name == "1":
...         return tensor
>>> td.named_apply(name_filter)
TensorDict(
    fields={
        1: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.int64, is_shared=False),
        b: TensorDict(
            fields={
                1: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.int64, is_shared=False)},
            batch_size=torch.Size([]),
            device=None,
            is_shared=False)},
    batch_size=torch.Size([]),
    device=None,
    is_shared=False)

property names¶

tensordict 的维度名称。

名称可以在构建时使用 names 参数进行设置。

另请参阅 refine_names() 以获取有关如何在构建后设置名称的详细信息。

nanmean(dim: Union[int, Tuple[int]] = _NoDefault.ZERO, keepdim: bool = _NoDefault.ZERO, *, dtype: Optional[dtype] = None, reduce: Optional[bool] = None) → tensordict.base.TensorDictBase | torch.Tensor¶

返回输入 tensordict 中所有非 NaN 元素的均值。

参数:

dim (int, int 元组, 可选) – 如果为 None，则返回一个无量纲的 tensordict，其中包含所有叶子的平均值（如果可以计算）。如果为整数或整数元组，则仅当此维度与 tensordict 形状兼容时，才对指定的维度调用 mean。
keepdim (bool) – 输出张量是否保留维度。

关键字参数:

dtype (torch.dtype, 可选) – 返回张 Desired 的数据类型。如果指定，则在执行操作之前将输入张量转换为 dtype。这对于防止数据类型溢出很有用。默认值：None。
reduce (bool, 可选) – 如果为 True，则将在所有 TensorDict 值上进行缩减，并将返回单个缩减张量。默认为 False。

nansum(dim: Union[int, Tuple[int]] = _NoDefault.ZERO, keepdim: bool = _NoDefault.ZERO, *, dtype: Optional[dtype] = None, reduce: Optional[bool] = None) → tensordict.base.TensorDictBase | torch.Tensor¶

返回输入 tensordict 中所有非 NaN 元素的总和。

参数:

dim (int, tuple of int, optional) – 如果 None, 返回一个无量纲的 tensordict，其中包含所有叶节点的总和值（如果可以计算）。如果是整数或整数元组，则仅当此维度与 tensordict 形状兼容时，才会在指定的维度上调用 sum。
keepdim (bool) – 输出张量是否保留维度。

关键字参数:

dtype (torch.dtype, 可选) – 返回张 Desired 的数据类型。如果指定，则在执行操作之前将输入张量转换为 dtype。这对于防止数据类型溢出很有用。默认值：None。
reduce (bool, 可选) – 如果为 True，则将在所有 TensorDict 值上进行缩减，并将返回单个缩减张量。默认为 False。

property ndim: int¶: 请参阅 batch_dims()。

ndimension() → int¶: 请参阅 batch_dims()。

neg() → T¶: 计算 TensorDict 中每个元素的 neg() 值。

neg_() → T¶: 就地计算 TensorDict 中每个元素的 neg() 值。

new_empty(*size: Size, dtype: Optional[dtype] = None, device: Union[device, str, int] = _NoDefault.ZERO, requires_grad: bool = False, layout: layout = torch.strided, pin_memory: Optional[bool] = None)¶

返回一个大小为 size 且包含空 tensors 的 TensorDict。

默认情况下，返回的 TensorDict 具有与此 tensordict 相同的 torch.dtype 和 torch.device。

参数:

size (int...) – 定义输出 tensor 形状的整数列表、元组或 torch.Size。

关键字参数:

dtype (torch.dtype, optional) – 返回的 tensordict 的期望类型。默认值：如果 None, 则 torch.dtype 将保持不变。
device (torch.device, optional) – 返回的 tensordict 的期望设备。默认值：如果 None, 则 torch.device 将保持不变。
requires_grad (bool, optional) – 如果 autograd 应该记录对返回的 tensors 的操作。默认值：False。
layout (torch.layout, optional) – 返回的 TensorDict 值的期望布局。默认值：torch.strided。
pin_memory (bool, optional) – 如果设置，返回的 tensor 将在 pinned memory 中分配。仅适用于 CPU tensors。默认值：False。

new_full(size: Size, fill_value, *, dtype: Optional[dtype] = None, device: Union[device, str, int] = _NoDefault.ZERO, requires_grad: bool = False, layout: layout = torch.strided, pin_memory: Optional[bool] = None)¶

返回一个大小为 size，并用 1 填充的 TensorDict。

默认情况下，返回的 TensorDict 具有与此 tensordict 相同的 torch.dtype 和 torch.device。

参数:

size (sequence of int) – 定义输出 tensor 形状的整数列表、元组或 torch.Size。
fill_value (scalar) – 用于填充输出 tensor 的数字。

关键字参数:

dtype (torch.dtype, optional) – 返回的 tensordict 的期望类型。默认值：如果 None, 则 torch.dtype 将保持不变。
device (torch.device, optional) – 返回的 tensordict 的期望设备。默认值：如果 None, 则 torch.device 将保持不变。
requires_grad (bool, optional) – 如果 autograd 应该记录对返回的 tensors 的操作。默认值：False。
layout (torch.layout, optional) – 返回的 TensorDict 值的期望布局。默认值：torch.strided。
pin_memory (bool, optional) – 如果设置，返回的 tensor 将在 pinned memory 中分配。仅适用于 CPU tensors。默认值：False。

new_ones(*size: Size, dtype: Optional[dtype] = None, device: Union[device, str, int] = _NoDefault.ZERO, requires_grad: bool = False, layout: layout = torch.strided, pin_memory: Optional[bool] = None)¶

返回一个大小为 size，并用 1 填充的 TensorDict。

默认情况下，返回的 TensorDict 具有与此 tensordict 相同的 torch.dtype 和 torch.device。

参数:

size (int...) – 定义输出 tensor 形状的整数列表、元组或 torch.Size。

关键字参数:

dtype (torch.dtype, optional) – 返回的 tensordict 的期望类型。默认值：如果 None, 则 torch.dtype 将保持不变。
device (torch.device, optional) – 返回的 tensordict 的期望设备。默认值：如果 None, 则 torch.device 将保持不变。
requires_grad (bool, optional) – 如果 autograd 应该记录对返回的 tensors 的操作。默认值：False。
layout (torch.layout, optional) – 返回的 TensorDict 值的期望布局。默认值：torch.strided。
pin_memory (bool, optional) – 如果设置，返回的 tensor 将在 pinned memory 中分配。仅适用于 CPU tensors。默认值：False。

new_tensor(data: torch.Tensor | tensordict.base.TensorDictBase, *, dtype: Optional[dtype] = None, device: Union[device, str, int] = _NoDefault.ZERO, requires_grad: bool = False, pin_memory: Optional[bool] = None)¶

返回一个新的 TensorDict，其数据为 tensor data。

默认情况下，返回的 TensorDict 值具有与此 tensor 相同的 torch.dtype 和 torch.device。

data 也可以是 tensor 集合（TensorDict 或 tensorclass），在这种情况下，new_tensor 方法会迭代 self 和 data 的 tensor 对。

参数:

data (torch.Tensor or TensorDictBase) – 要复制的数据。

关键字参数:

dtype (torch.dtype, optional) – 返回的 tensordict 的期望类型。默认值：如果 None, 则 torch.dtype 将保持不变。
device (torch.device, optional) – 返回的 tensordict 的期望设备。默认值：如果 None, 则 torch.device 将保持不变。
requires_grad (bool, optional) – 如果 autograd 应该记录对返回的 tensors 的操作。默认值：False。
pin_memory (bool, optional) – 如果设置，返回的 tensor 将在 pinned memory 中分配。仅适用于 CPU tensors。默认值：False。

new_zeros(*size: Size, dtype: Optional[dtype] = None, device: Union[device, str, int] = _NoDefault.ZERO, requires_grad: bool = False, layout: layout = torch.strided, pin_memory: Optional[bool] = None)¶

返回一个大小为 size，并用 0 填充的 TensorDict。

默认情况下，返回的 TensorDict 具有与此 tensordict 相同的 torch.dtype 和 torch.device。

参数:

size (int...) – 定义输出 tensor 形状的整数列表、元组或 torch.Size。

关键字参数:

dtype (torch.dtype, optional) – 返回的 tensordict 的期望类型。默认值：如果 None, 则 torch.dtype 将保持不变。
device (torch.device, optional) – 返回的 tensordict 的期望设备。默认值：如果 None, 则 torch.device 将保持不变。
requires_grad (bool, optional) – 如果 autograd 应该记录对返回的 tensors 的操作。默认值：False。
layout (torch.layout, optional) – 返回的 TensorDict 值的期望布局。默认值：torch.strided。
pin_memory (bool, optional) – 如果设置，返回的 tensor 将在 pinned memory 中分配。仅适用于 CPU tensors。默认值：False。

non_tensor_items(include_nested: bool = False)¶: 返回所有非 tensor 叶节点，可能是递归的。

norm(*, out=None, dtype: torch.dtype | None = None)¶

计算 tensordict 中每个 tensor 的范数。

关键字参数:

out (TensorDict, optional) – 输出 tensordict。
dtype (torch.dtype, optional) – 输出 dtype (torch>=2.4)。

numel() → int¶

批次中元素的总数。

下限为 1，因为堆叠两个形状为空的 tensordict 将有两个元素，因此我们认为 tensordict 至少为 1 个元素大小。

numpy()¶

将 tensordict 转换为 numpy 数组的（可能是嵌套的）字典。

非 tensor 数据按原样公开。

示例

>>> from tensordict import TensorDict
>>> import torch
>>> data = TensorDict({"a": {"b": torch.zeros(()), "c": "a string!"}})
>>> print(data)
TensorDict(
    fields={
        a: TensorDict(
            fields={
                b: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
                c: NonTensorData(data=a string!, batch_size=torch.Size([]), device=None)},
            batch_size=torch.Size([]),
            device=None,
            is_shared=False)},
    batch_size=torch.Size([]),
    device=None,
    is_shared=False)
>>> print(data.numpy())
{'a': {'b': array(0., dtype=float32), 'c': 'a string!'}}

param_count(*, count_duplicates: bool = True) → int¶

计算参数的数量（可索引项的总数），仅计算 tensors。

关键字参数:: count_duplicates (bool) – 是否将重复张量计为独立的。如果为 False，则仅丢弃严格相同的张量（来自公共基础张量的相同视图但 id 不同将计数两次）。默认为 True（每个张量都假定为单个副本）。

permute(*args, **kwargs)¶

返回一个 tensordict 的视图，其批次维度根据 dims 进行排列。

参数:

*dims_list (int) – tensordict 的批次维度的新顺序。或者，可以提供单个整数迭代器。
dims (list of int) – 调用 permute(…) 的替代方法。

返回:

一个新的 tensordict，其批次维度按所需顺序排列。

示例

>>> tensordict = TensorDict({"a": torch.randn(3, 4, 5)}, [3, 4])
>>> print(tensordict.permute([1, 0]))
PermutedTensorDict(
    source=TensorDict(
        fields={
            a: Tensor(torch.Size([3, 4, 5]), dtype=torch.float32)},
        batch_size=torch.Size([3, 4]),
        device=cpu,
        is_shared=False),
    op=permute(dims=[1, 0]))
>>> print(tensordict.permute(1, 0))
PermutedTensorDict(
    source=TensorDict(
        fields={
            a: Tensor(torch.Size([3, 4, 5]), dtype=torch.float32)},
        batch_size=torch.Size([3, 4]),
        device=cpu,
        is_shared=False),
    op=permute(dims=[1, 0]))
>>> print(tensordict.permute(dims=[1, 0]))
PermutedTensorDict(
    source=TensorDict(
        fields={
            a: Tensor(torch.Size([3, 4, 5]), dtype=torch.float32)},
        batch_size=torch.Size([3, 4]),
        device=cpu,
        is_shared=False),
    op=permute(dims=[1, 0]))

pin_memory(num_threads: Optional[int] = None, inplace: bool = False) → T¶

对存储的 tensors 调用 pin_memory()。

参数:

num_threads (int or str) – 如果提供，则用于在叶节点上调用 pin_memory 的线程数。默认为 None, 这会在 ThreadPoolExecutor(max_workers=None) 中设置大量线程。要在主线程上执行所有对 pin_memory() 的调用，请传递 num_threads=0。
inplace (bool, optional) – 如果 True, 则就地修改 tensordict。默认为 False。

pin_memory_(num_threads: int | str = 0) → T¶

对存储的 tensors 调用 pin_memory() 并返回就地修改的 TensorDict。

参数:: num_threads (int 或 str) – 如果提供，则为在叶节点上调用 pin_memory 时使用的线程数。如果传递 "auto"，则线程数将自动确定。

pop(key: NestedKey, default: Any = _NoDefault.ZERO) → Tensor¶

从 tensordict 中移除并返回一个值。

如果该值不存在且未提供默认值，则会抛出 KeyError。

参数:

key (str 或 nested key) – 要查找的条目。
default (Any, 可选) – 如果找不到键，则返回的值。

示例

>>> td = TensorDict({"1": 1}, [])
>>> one = td.pop("1")
>>> assert one == 1
>>> none = td.pop("1", default=None)
>>> assert none is None

popitem() → Tuple[NestedKey, Tensor]¶

移除最后插入 TensorDict 的条目。

popitem 将仅返回非嵌套值。

pow(other: tensordict.base.TensorDictBase | torch.Tensor, *, default: Optional[Union[str, Tensor]] = None) → T¶

计算 self 中每个元素与 other 的幂，并返回包含结果的张量。

other 可以是单个 float 数字、Tensor 或 TensorDict。

当 other 是张量时，input 和 other 的形状必须是可广播的。

参数:: other (float, tensor 或 tensordict) – 指数值
关键字参数:: default (torch.Tensor 或 str, 可选) – 用于独占条目的默认值。如果未提供任何值，则两个 tensordict 键列表必须完全匹配。如果传递 default="intersection"，则仅考虑相交的键集，而其他键将被忽略。在所有其他情况下，default 将用于操作两侧的所有缺失条目。

pow_(other: tensordict.base.TensorDictBase | torch.Tensor) → T¶: pow() 的原地版本。

注意

原地 pow 不支持 default 关键字参数。

prod(dim: Union[int, Tuple[int]] = _NoDefault.ZERO, keepdim: bool = _NoDefault.ZERO, *, dtype: Optional[dtype] = None, reduce: Optional[bool] = None) → tensordict.base.TensorDictBase | torch.Tensor¶

返回输入 tensordict 中所有元素的乘积。

参数:

dim (int, int 元组, 可选) – 如果为 None，则返回一个无量纲的 tensordict，其中包含所有叶节点的乘积值（如果可以计算）。如果是整数或整数元组，则仅当此维度与 tensordict 形状兼容时，才对指定的维度调用 prod。
keepdim (bool) – 输出张量是否保留维度。

关键字参数:

dtype (torch.dtype, 可选) – 返回张 Desired 的数据类型。如果指定，则在执行操作之前将输入张量转换为 dtype。这对于防止数据类型溢出很有用。默认值：None。
reduce (bool, 可选) – 如果为 True，则将在所有 TensorDict 值上进行缩减，并将返回单个缩减张量。默认为 False。

qint32()¶: 将所有张量转换为 torch.qint32。

qint8()¶: 将所有张量转换为 torch.qint8。

quint4x2()¶: 将所有张量转换为 torch.quint4x2。

quint8()¶: 将所有张量转换为 torch.quint8。

reciprocal() → T¶: 计算 TensorDict 中每个元素的 reciprocal() 值。

reciprocal_() → T¶: 原地计算 TensorDict 中每个元素的 reciprocal() 值。

record_stream(stream: Stream)¶

将 tensordict 标记为已被此流使用。

当 tensordict 被释放时，确保张量内存不会被其他张量重用，直到在释放时流上排队的所有工作完成。

有关更多信息，请参阅 record_stream()。

recv(src: int, *, group: 'dist.ProcessGroup' | None = None, init_tag: int = 0, pseudo_rand: bool = False) → int¶

接收一个 tensordict 的内容并使用其内容更新当前 tensordict。

有关上下文，请查看 send 方法中的示例。

参数:

src (int) – 源 worker 的 rank。

关键字参数:

group (torch.distributed.ProcessGroup, 可选) – 如果设置，将使用指定的进程组进行通信。否则，将使用默认进程组。默认为 None。
init_tag (int) – 源 worker 使用的 init_tag。
pseudo_rand (bool) – 如果为 True，则标签序列将是伪随机的，从而允许从不同节点发送多个数据而不会重叠。请注意，这些伪随机数的生成开销很大（1e-5 秒/数字），这意味着它可能会减慢算法的运行时速度。此值必须与传递给 send() 的值匹配。默认为 False。

reduce(dst, op=None, async_op=False, return_premature=False, group=None)¶

在所有机器上规约 tensordict。

只有 rank 为 dst 的进程才会收到最终结果。

refine_names(*names) → T¶

根据名称优化 self 的维度名称。

优化是重命名的一种特殊情况，它可以“提升”未命名的维度。None 维度可以被优化为具有任何名称；命名的维度只能被优化为具有相同的名称。

由于命名张量可以与未命名张量共存，因此优化名称提供了一种编写命名张量感知代码的好方法，该代码可以与命名张量和未命名张量一起使用。

names 最多可以包含一个省略号 (…)。省略号会被贪婪地展开；它会被就地展开，以使用 self.names 中相应索引的名称将 names 填充到与 self.dim() 相同的长度。

返回：具有根据输入命名的维度的相同 tensordict。

示例

>>> td = TensorDict({}, batch_size=[3, 4, 5, 6])
>>> tdr = td.refine_names(None, None, None, "d")
>>> assert tdr.names == [None, None, None, "d"]
>>> tdr = td.refine_names("a", None, None, "d")
>>> assert tdr.names == ["a", None, None, "d"]

rename(*names, **rename_map)¶

返回维度已重命名的 tensordict 的克隆。

示例

>>> td = TensorDict({}, batch_size=[1, 2, 3 ,4])
>>> td.names = list("abcd")
>>> td_rename = td.rename(c="g")
>>> assert td_rename.names == list("abgd")

rename_(*names, **rename_map)¶

与 rename() 相同，但原地执行重命名。

示例

>>> td = TensorDict({}, batch_size=[1, 2, 3 ,4])
>>> td.names = list("abcd")
>>> assert td.rename_(c="g")
>>> assert td.names == list("abgd")

rename_key_(old_key: NestedKey, new_key: NestedKey, safe: bool = False) → T¶

使用新字符串重命名键，并返回具有更新的键名称的相同 tensordict。

参数:

old_key (str 或 nested key) – 要重命名的键。
new_key (str 或 nested key) – 条目的新名称。
safe (bool, 可选) – 如果为 True，则当新键已存在于 TensorDict 中时，会抛出错误。

返回:

self

replace(*args, **kwargs)¶

创建一个 tensordict 的浅拷贝，其中的条目已被替换。

接受一个未命名的参数，该参数必须是 TensorDictBase 子类的字典。此外，可以使用命名的关键字参数更新第一级条目。

返回:: 如果输入为非空，则返回 self 的副本，其中包含更新的条目。如果提供空字典或未提供字典，并且 kwargs 为空，则返回 self。

requires_grad_(requires_grad=True) → T¶

更改 autograd 是否应记录对此张量的操作：就地设置此张量的 requires_grad 属性。

返回此 tensordict。

参数:: requires_grad (bool, 可选) – 指示 autograd 是否应记录对此 tensordict 的操作。默认为 True。

reshape(*args, **kwargs) → T¶

返回所需形状的连续的、重塑的张量。

参数:: *shape (int) – 结果 tensordict 的新形状。
返回:: 具有重塑键的 TensorDict

示例

>>> td = TensorDict({
...     'x': torch.arange(12).reshape(3, 4),
... }, batch_size=[3, 4])
>>> td = td.reshape(12)
>>> print(td['x'])
torch.Tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])

round() → T¶: 计算 TensorDict 中每个元素的 round() 值。

round_() → T¶: 原地计算 TensorDict 中每个元素的 round() 值。

save(prefix: Optional[str] = None, copy_existing: bool = False, *, num_threads: int = 0, return_early: bool = False, share_non_tensor: bool = False) → T¶

将 tensordict 保存到磁盘。

此函数是 memmap() 的代理。

property saved_path¶

返回正在存储 memmap 保存的 TensorDict 的路径。

只要 is_memmap() 返回 False（例如，当 tensordict 被解锁时），此参数就会消失。

select(*keys: NestedKey, inplace: bool = False, strict: bool = True) → T¶

选择 tensordict 的键，并返回仅包含所选键的新 tensordict。

值不会被复制：对原始或新 tensordict 的张量进行就地修改将导致两个 tensordict 都发生更改。

参数:

*keys (str) – 要选择的键
inplace (bool) – 如果为 True，则就地修剪 tensordict。默认为 False。
strict (bool, 可选) – 选择不存在的键是否会返回错误。默认值：True。

返回:

一个新的 tensordict（如果 inplace=True，则为同一个 tensordict），仅包含选定的键。

注意

要选择 tensordict 中的键并返回此 tensordict 的一个版本，其中不包含这些键，请参阅 split_keys() 方法。

示例

>>> from tensordict import TensorDict
>>> td = TensorDict({"a": 0, "b": {"c": 1, "d": 2}}, [])
>>> td.select("a", ("b", "c"))
TensorDict(
    fields={
        a: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.int64, is_shared=False),
        b: TensorDict(
            fields={
                c: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.int64, is_shared=False)},
            batch_size=torch.Size([]),
            device=None,
            is_shared=False)},
    batch_size=torch.Size([]),
    device=None,
    is_shared=False)
>>> td.select("a", "b")
TensorDict(
    fields={
        a: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.int64, is_shared=False),
        b: TensorDict(
            fields={
                c: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.int64, is_shared=False),
                d: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.int64, is_shared=False)},
            batch_size=torch.Size([]),
            device=None,
            is_shared=False)},
    batch_size=torch.Size([]),
    device=None,
    is_shared=False)
>>> td.select("this key does not exist", strict=False)
TensorDict(
    fields={
    },
    batch_size=torch.Size([]),
    device=None,
    is_shared=False)

send(dst: int, *, group: 'dist.ProcessGroup' | None = None, init_tag: int = 0, pseudo_rand: bool = False) → None¶

将 tensordict 的内容发送到远程工作进程。

参数:

dst (int) – 应该将内容发送到的目标 worker 的 rank。

关键字参数:

group (torch.distributed.ProcessGroup, 可选) – 如果设置，将使用指定的进程组进行通信。否则，将使用默认进程组。默认为 None。
init_tag (int) – 用于标记张量的初始标签。请注意，这将增加 TensorDict 中包含的张量数量。
pseudo_rand (bool) – 如果为 True，则标签序列将是伪随机的，从而允许从不同节点发送多个数据而不会重叠。请注意，生成这些伪随机数开销很大（1e-5 秒/数字），这意味着它可能会减慢算法的运行时速度。默认为 False。

示例

>>> from torch import multiprocessing as mp
>>> from tensordict import TensorDict
>>> import torch
>>>
>>>
>>> def client():
...     torch.distributed.init_process_group(
...         "gloo",
...         rank=1,
...         world_size=2,
...         init_method=f"tcp://127.0.0.1:10003",
...     )
...
...     td = TensorDict(
...         {
...             ("a", "b"): torch.randn(2),
...             "c": torch.randn(2, 3),
...             "_": torch.ones(2, 1, 5),
...         },
...         [2],
...     )
...     td.send(0)
...
>>>
>>> def server(queue):
...     torch.distributed.init_process_group(
...         "gloo",
...         rank=0,
...         world_size=2,
...         init_method=f"tcp://127.0.0.1:10003",
...     )
...     td = TensorDict(
...         {
...             ("a", "b"): torch.zeros(2),
...             "c": torch.zeros(2, 3),
...             "_": torch.zeros(2, 1, 5),
...         },
...         [2],
...     )
...     td.recv(1)
...     assert (td != 0).all()
...     queue.put("yuppie")
...
>>>
>>> if __name__=="__main__":
...     queue = mp.Queue(1)
...     main_worker = mp.Process(target=server, args=(queue,))
...     secondary_worker = mp.Process(target=client)
...
...     main_worker.start()
...     secondary_worker.start()
...     out = queue.get(timeout=10)
...     assert out == "yuppie"
...     main_worker.join()
...     secondary_worker.join()

set(key: NestedKey, item: Tensor, inplace: bool = False, *, non_blocking: bool = False, **kwargs: Any) → T¶

设置一个新的键值对。

参数:

key (str, str 元组) – 要设置的键的名称。
item (torch.Tensor 或等效类型, TensorDictBase 实例) – 要存储在 tensordict 中的值。
inplace (bool, 可选) – 如果 True 且键与 tensordict 中的现有键匹配，则将对该键值对执行原地更新。如果 inplace 为 True 且找不到条目，则会添加该条目。对于更严格的原地操作，请改用 set_()。默认为 False。

关键字参数:

non_blocking (bool, 可选) – 如果 True 且此复制操作在不同设备之间进行，则复制操作可能相对于主机异步发生。

返回:

self

示例

>>> td = TensorDict({}, batch_size[3, 4])
>>> td.set("x", torch.randn(3, 4))
>>> y = torch.randn(3, 4, 5)
>>> td.set("y", y, inplace=True) # works, even if 'y' is not present yet
>>> td.set("y", torch.zeros_like(y), inplace=True)
>>> assert (y==0).all() # y values are overwritten
>>> td.set("y", torch.ones(5), inplace=True) # raises an exception as shapes mismatch

set_(key: NestedKey, item: Tensor, *, non_blocking: bool = False) → T¶

设置现有键的值，同时保留原始存储。

参数:

key (str) – 值的名称
item (torch.Tensor 或兼容类型, TensorDictBase) – 要存储在 tensordict 中的值

关键字参数:

non_blocking (bool, 可选) – 如果 True 且此复制操作在不同设备之间进行，则复制操作可能相对于主机异步发生。

返回:

self

示例

>>> td = TensorDict({}, batch_size[3, 4])
>>> x = torch.randn(3, 4)
>>> td.set("x", x)
>>> td.set_("x", torch.zeros_like(x))
>>> assert (x == 0).all()

set_at_(key: NestedKey, value: Tensor, index: Union[None, int, slice, str, Tensor, List[Any], Tuple[Any, ...]], *, non_blocking: bool = False) → T¶

在 index 指示的索引处原地设置值。

参数:

key (str, str 元组) – 要修改的键。
value (torch.Tensor) – 要在索引 index 处设置的值
index (int, 张量或元组) – 写入值的索引。

关键字参数:

non_blocking (bool, 可选) – 如果 True 且此复制操作在不同设备之间进行，则复制操作可能相对于主机异步发生。

返回:

self

示例

>>> td = TensorDict({}, batch_size[3, 4])
>>> x = torch.randn(3, 4)
>>> td.set("x", x)
>>> td.set_at_("x", value=torch.ones(1, 4), index=slice(1))
>>> assert (x[0] == 1).all()

set_non_tensor(key: NestedKey, value: Any)¶

在 tensordict 中注册一个非张量值，使用 tensordict.tensorclass.NonTensorData。

可以使用 TensorDictBase.get_non_tensor() 或直接使用 get 来检索该值，这将返回 tensordict.tensorclass.NonTensorData 对象。

返回：self

示例

>>> data = TensorDict({}, batch_size=[])
>>> data.set_non_tensor(("nested", "the string"), "a string!")
>>> assert data.get_non_tensor(("nested", "the string")) == "a string!"
>>> # regular `get` works but returns a NonTensorData object
>>> data.get(("nested", "the string"))
NonTensorData(
    data='a string!',
    batch_size=torch.Size([]),
    device=None,
    is_shared=False)

setdefault(key: NestedKey, default: Tensor, inplace: bool = False) → Tensor¶

如果 key 不在 tensordict 中，则插入 key 条目，其值为 default。

如果 key 在 tensordict 中，则返回 key 的值，否则返回 default。

参数:

key (str 或 嵌套键) – 值的名称。
default (torch.Tensor 或兼容类型, TensorDictBase) – 如果键尚不存在，则要存储在 tensordict 中的值。

返回:

tensordict 中键的值。如果键之前未设置，则将为 default。

示例

>>> td = TensorDict({}, batch_size=[3, 4])
>>> val = td.setdefault("a", torch.zeros(3, 4))
>>> assert (val == 0).all()
>>> val = td.setdefault("a", torch.ones(3, 4))
>>> assert (val == 0).all() # output is still 0

property shape: Size¶: 参见 batch_size。

share_memory_() → T¶

将所有张量放置在共享内存中。

然后 TensorDict 被锁定，这意味着任何非原地的写入操作都会抛出异常（例如，重命名、设置或删除条目）。相反，一旦 tensordict 被解锁，share_memory 属性将变为 False，因为不再保证跨进程的身份。

返回:: self

sigmoid() → T¶: 计算 TensorDict 中每个元素的 sigmoid() 值。

sigmoid_() → T¶: 原地计算 TensorDict 中每个元素的 sigmoid() 值。

sign() → T¶: 计算 TensorDict 中每个元素的 sign() 值。

sign_() → T¶: 原地计算 TensorDict 中每个元素的 sign() 值。

sin() → T¶: 计算 TensorDict 中每个元素的 sin() 值。

sin_() → T¶: 原地计算 TensorDict 中每个元素的 sin() 值。

sinh() → T¶: 计算 TensorDict 中每个元素的 sinh() 值。

sinh_() → T¶: 原地计算 TensorDict 中每个元素的 sinh() 值。

size(dim: Optional[int] = None) → torch.Size | int¶

返回由 dim 指示的维度的大小。

如果未指定 dim，则返回 TensorDict 的 batch_size 属性。

property sorted_keys: list[tensordict._nestedkey.NestedKey]¶

返回按字母顺序排序的键。

不支持额外的参数。

如果 TensorDict 被锁定，则键会被缓存，直到 tensordict 被解锁以加快执行速度。

split(split_size: int | list[int], dim: int = 0) → list[tensordict.base.TensorDictBase]¶

使用指定的大小在给定维度中拆分 TensorDict 中的每个张量，类似于 torch.split。

返回 TensorDict 实例的列表，其中包含拆分块的视图。

参数:

split_size (int 或 List(int)) – 单个块的大小或每个块的大小列表。
dim (int) – 沿其拆分张量的维度。

返回:

具有给定维度中指定大小的 TensorDict 列表。

示例

>>> td = TensorDict({
...     'x': torch.arange(12).reshape(3, 4),
... }, batch_size=[3, 4])
>>> td0, td1 = td.split([1, 2], dim=0)
>>> print(td0['x'])
torch.Tensor([[0, 1, 2, 3]])

split_keys(*key_sets, inplace=False, strict: bool = True, reproduce_struct: bool = False)¶

根据一个或多个键集将 tensordict 拆分为子集。

该方法将返回 N+1 个 tensordict，其中 N 是提供的参数数量。

参数:

inplace (bool, 可选) – 如果 True，则从 self 中原地移除键。默认为 False。
strict (bool, 可选) – 如果 True，当键丢失时会引发异常。默认为 True。
reproduce_struct (bool, 可选) – 如果 True，则返回的所有 tensordict 都具有与 self 相同的树结构，即使某些子 tensordict 不包含叶节点。

注意

None 非张量值将被忽略且不会返回。

注意

该方法不检查提供的列表中是否存在重复项。

示例

>>> td = TensorDict(
...     a=0,
...     b=0,
...     c=0,
...     d=0,
... )
>>> td_a, td_bc, td_d = td.split_keys(["a"], ["b", "c"])
>>> print(td_bc)

sqrt()¶: 计算 self 的逐元素平方根。

sqrt_()¶: sqrt() 的原地版本。

squeeze(*args, **kwargs)¶

挤压维度介于 -self.batch_dims+1 和 self.batch_dims-1 之间的所有张量，并在新的 tensordict 中返回它们。

参数:: dim (Optional[int]) – 要沿其挤压的维度。如果 dim 为 None，则将挤压所有单例维度。默认为 None。

示例

>>> td = TensorDict({
...     'x': torch.arange(24).reshape(3, 1, 4, 2),
... }, batch_size=[3, 1, 4])
>>> td = td.squeeze()
>>> td.shape
torch.Size([3, 4])
>>> td.get("x").shape
torch.Size([3, 4, 2])

此操作也可以用作上下文管理器。对原始 tensordict 的更改将发生在原地之外，即不会更改原始张量的内容。这也假设 tensordict 未锁定（否则，需要解锁 tensordict）。此功能与隐式挤压不兼容。

>>> td = TensorDict({
...     'x': torch.arange(24).reshape(3, 1, 4, 2),
... }, batch_size=[3, 1, 4])
>>> with td.squeeze(1) as tds:
...     tds.set("y", torch.zeros(3, 4))
>>> assert td.get("y").shape == [3, 1, 4]

classmethod stack(input, dim=0, *, out=None)¶

沿给定维度将 tensordict 堆叠成单个 tensordict。

此调用等效于调用 torch.stack()，但与 torch.compile 兼容。

stack_from_tensordict(dim: int = 0, *, sorted: Optional[Union[bool, List[NestedKey]]] = None, out: Optional[Tensor] = None) → Tensor¶

将 tensordict 的所有条目堆叠成单个张量。

参数:

dim (int, 可选) – 条目应沿其堆叠的维度。

关键字参数:

sorted (bool 或 NestedKey 列表) – 如果 True，条目将按字母顺序堆叠。如果 False（默认），将使用字典顺序。或者，可以提供键名列表，张量将相应地堆叠。这会产生一些开销，因为将对照 tensordict 中的叶名称列表检查键列表。
out (torch.Tensor, 可选) – 用于堆叠操作的可选目标张量。

stack_tensors(*keys: NestedKey, out_key: NestedKey, dim: int = 0, keep_entries: bool = False) → T¶

将条目堆叠到一个新条目中，并可能删除原始值。

参数:: keys (NestedKey 序列) – 要堆叠的条目。

关键字参数

out_key (NestedKey): 堆叠输入的新键名。keep_entries (bool, optional): 如果 False，则将删除 keys 中的条目。

默认为 False。

dim (int, optional): 堆叠必须沿其发生的维度。: 默认为 0。

返回：self

示例

>>> td = TensorDict(a=torch.zeros(()), b=torch.ones(()))
>>> td.stack_tensors("a", "b", out_key="c")
>>> assert "a" not in td
>>> assert (td["c"] == torch.tensor([0, 1])).all()

state_dict(destination=None, prefix='', keep_vars=False, flatten=False) → OrderedDict[str, Any]¶

从 tensordict 生成 state_dict。

除非将 flatten 设置为 True，否则 state_dict 的结构仍将是嵌套的。

tensordict state_dict 包含重建 tensordict 所需的所有张量和元数据（当前不支持名称）。

参数:

destination (dict, 可选) – 如果提供，tensordict 的状态将更新到 dict 中，并返回同一对象。否则，将创建并返回 OrderedDict。默认值：None。
prefix (str, 可选) – 添加到张量名称的前缀，用于构成 state_dict 中的键。默认值：''。
keep_vars (bool, 可选) – 默认情况下，state_dict 中返回的 torch.Tensor 项与 autograd 分离。如果设置为 True，则不会执行分离。默认值：False。
flatten (bool，可选) – 结构是否应使用 "." 字符展平。默认为 False。

示例

>>> data = TensorDict({"1": 1, "2": 2, "3": {"3": 3}}, [])
>>> sd = data.state_dict()
>>> print(sd)
OrderedDict([('1', tensor(1)), ('2', tensor(2)), ('3', OrderedDict([('3', tensor(3)), ('__batch_size', torch.Size([])), ('__device', None)])), ('__batch_size', torch.Size([])), ('__device', None)])
>>> sd = data.state_dict(flatten=True)
OrderedDict([('1', tensor(1)), ('2', tensor(2)), ('3.3', tensor(3)), ('__batch_size', torch.Size([])), ('__device', None)])

std(dim: Union[int, Tuple[int]] = _NoDefault.ZERO, keepdim: bool = _NoDefault.ZERO, *, correction: int = 1, reduce: Optional[bool] = None) → tensordict.base.TensorDictBase | torch.Tensor¶

返回输入 tensordict 中所有元素的标准差值。

参数:

dim (int, int 元组, 可选) – 如果为 None，则返回一个无量纲的 tensordict，其中包含所有叶节点的总和值（如果可以计算）。如果为整数或整数元组，则仅当此维度与 tensordict 形状兼容时，才会在指定的维度上调用 std。
keepdim (bool) – 输出张量是否保留维度。

关键字参数:

correction (int) – 样本大小与样本自由度之间的差值。默认为 Bessel 校正，correction=1。
reduce (bool, 可选) – 如果为 True，则将在所有 TensorDict 值上进行缩减，并将返回单个缩减张量。默认为 False。

sub(other: tensordict.base.TensorDictBase | float, *, alpha: Optional[float] = None, default: Optional[Union[str, Tensor]] = None)¶

从 self 中减去 other，并按 alpha 缩放。

\[\text{{out}}_i = \text{{input}}_i - \text{{alpha}} \times \text{{other}}_i\]

支持广播、类型提升以及整数、浮点数和复数输入。

参数:

other (TensorDict, Tensor 或 Number) – 要从 self 中减去的张量或数字。

关键字参数:

alpha (Number) – other 的乘数。
default (torch.Tensor 或 str, 可选) – 用于独占条目的默认值。如果未提供任何值，则两个 tensordict 键列表必须完全匹配。如果传递 default="intersection"，则仅考虑相交的键集，而其他键将被忽略。在所有其他情况下，default 将用于操作两侧的所有缺失条目。

sub_(other: tensordict.base.TensorDictBase | float, alpha: Optional[float] = None)¶: sub() 的原地版本。

注意

原地 sub 不支持 default 关键字参数。

sum(dim: Union[int, Tuple[int]] = _NoDefault.ZERO, keepdim: bool = _NoDefault.ZERO, *, dtype: Optional[dtype] = None, reduce: Optional[bool] = None) → tensordict.base.TensorDictBase | torch.Tensor¶

返回输入 tensordict 中所有元素的总和值。

参数:

dim (int, tuple of int, optional) – 如果 None, 返回一个无量纲的 tensordict，其中包含所有叶节点的总和值（如果可以计算）。如果是整数或整数元组，则仅当此维度与 tensordict 形状兼容时，才会在指定的维度上调用 sum。
keepdim (bool) – 输出张量是否保留维度。

关键字参数:

dtype (torch.dtype, 可选) – 返回张 Desired 的数据类型。如果指定，则在执行操作之前将输入张量转换为 dtype。这对于防止数据类型溢出很有用。默认值：None。
reduce (bool, 可选) – 如果为 True，则将在所有 TensorDict 值上进行缩减，并将返回单个缩减张量。默认为 False。

tan() → T¶: 计算 TensorDict 中每个元素的 tan() 值。

tan_() → T¶: 原地计算 TensorDict 中每个元素的 tan() 值。

tanh() → T¶: 计算 TensorDict 中每个元素的 tanh() 值。

tanh_() → T¶: 原地计算 TensorDict 中每个元素的 tanh() 值。

to(*args, **kwargs) → T¶

将 TensorDictBase 子类映射到另一个设备、dtype 或另一个 TensorDictBase 子类（如果允许）。

不允许将张量强制转换为新的 dtype，因为 tensordict 不一定只包含单一张量 dtype。

参数:

device (torch.device, 可选) – tensordict 的目标设备。
dtype (torch.dtype, 可选) – tensordict 的目标浮点或复数 dtype。
tensor (torch.Tensor, 可选) – 其 dtype 和 device 是此 TensorDict 中所有张量的目标 dtype 和 device 的 Tensor。

关键字参数:

non_blocking (bool, 可选) – 操作是否应为非阻塞。
memory_format (torch.memory_format, 可选) – 此 tensordict 中 4D 参数和缓冲区的目标内存格式。
batch_size (torch.Size, 可选) – 输出 tensordict 的结果 batch-size。
other (TensorDictBase, 可选) –
TensorDict 实例，其 dtype 和 device 是此 TensorDict 中所有张量的目标 dtype 和 device。

注意

由于 TensorDictBase 实例没有 dtype，因此 dtype 从示例叶节点收集。如果存在多个 dtype，则不进行 dtype 转换。
non_blocking_pin (bool, 可选) –
如果为 True，则张量在发送到设备之前会被锁定在内存中。这将异步完成，但可以通过 num_threads 参数进行控制。

注意

调用 tensordict.pin_memory().to("cuda") 通常比 tensordict.to("cuda", non_blocking_pin=True) 慢得多，因为在第二种情况下 pin_memory 是异步调用的。如果张量很大且数量很多，则多线程 pin_memory 通常会很有益：当要发送的张量太少时，生成线程和收集数据的开销会超过多线程的优势；如果张量很小，则迭代长列表的开销也过大。
num_threads (int 或 None, 可选) – 如果 non_blocking_pin=True，则用于 pin_memory 的线程数。默认情况下，将生成 max(1, torch.get_num_threads()) 个线程。num_threads=0 将取消 pin_memory() 调用的任何多线程处理。

返回:

如果设备与 tensordict 设备不同和/或传递了 dtype，则返回一个新的 tensordict 实例。否则返回相同的 tensordict。batch_size 的修改仅在原地进行。

注意

如果 TensorDict 是合并的，则生成的 TensorDict 也将是合并的。每个新张量都将是对合并存储的视图，并强制转换为目标设备。

示例

>>> data = TensorDict({"a": 1.0}, [], device=None)
>>> data_cuda = data.to("cuda:0")  # casts to cuda
>>> data_int = data.to(torch.int)  # casts to int
>>> data_cuda_int = data.to("cuda:0", torch.int)  # multiple casting
>>> data_cuda = data.to(torch.randn(3, device="cuda:0"))  # using an example tensor
>>> data_cuda = data.to(other=TensorDict({}, [], device="cuda:0"))  # using a tensordict example

to_dict(*, retain_none: bool = True) → dict[str, Any]¶

返回一个字典，其键值对与 tensordict 的键值对匹配。

参数:: retain_none (bool) – 如果为 True，则来自 tensorclass 实例的 None 值将写入字典中。否则，它们将被丢弃。默认值：True。

to_h5(filename, **kwargs)¶

使用 h5 后端将 tensordict 转换为 PersistentTensorDict。

参数:

filename (str 或 path) – h5 文件的路径。
device (torch.device 或 compatible, 可选) – 期望张量返回后的设备。默认为 None (默认在 cpu 上)。
**kwargs – 要传递给 h5py.File.create_dataset() 的 kwargs。

返回:

一个 PersitentTensorDict 实例，链接到新创建的文件。

示例

>>> import tempfile
>>> import timeit
>>>
>>> from tensordict import TensorDict, MemoryMappedTensor
>>> td = TensorDict({
...     "a": MemoryMappedTensor.from_tensor(torch.zeros(()).expand(1_000_000)),
...     "b": {"c": MemoryMappedTensor.from_tensor(torch.zeros(()).expand(1_000_000, 3))},
... }, [1_000_000])
>>>
>>> file = tempfile.NamedTemporaryFile()
>>> td_h5 = td.to_h5(file.name, compression="gzip", compression_opts=9)
>>> print(td_h5)
PersistentTensorDict(
    fields={
        a: Tensor(shape=torch.Size([1000000]), device=cpu, dtype=torch.float32, is_shared=False),
        b: PersistentTensorDict(
            fields={
                c: Tensor(shape=torch.Size([1000000, 3]), device=cpu, dtype=torch.float32, is_shared=False)},
            batch_size=torch.Size([1000000]),
            device=None,
            is_shared=False)},
    batch_size=torch.Size([1000000]),
    device=None,
    is_shared=False)

to_module(module: Module, *, inplace: bool | None = None, return_swap: bool = True, swap_dest=None, use_state_dict: bool = False, non_blocking: bool = False, memo=None)¶

将 TensorDictBase 实例的内容递归地写入给定的 nn.Module 属性。

to_module 也可以用作上下文管理器，以使用参数/缓冲区的集合临时填充模块（请参见以下示例）。

参数:

module (nn.Module) – 要将参数写入的模块。

关键字参数:

inplace (bool, 可选) – 如果为 True，则模块中的参数或张量将原地更新。默认为 False。
return_swap (bool, 可选) – 如果为 True，则将返回旧的参数配置。默认为 False。
swap_dest (TensorDictBase, 可选) – 如果 return_swap 为 True，则为应写入交换的 tensordict。
use_state_dict (bool, 可选) – 如果为 True，则将使用 state-dict API 加载参数（包括 state-dict 钩子）。默认为 False。
non_blocking (bool, 可选) – 如果 True 且此复制操作在不同设备之间进行，则复制操作可能相对于主机异步发生。

示例

>>> from torch import nn
>>> module = nn.TransformerDecoder(
...     decoder_layer=nn.TransformerDecoderLayer(nhead=4, d_model=4),
...     num_layers=1)
>>> params = TensorDict.from_module(module)
>>> params.data.zero_()
>>> params.to_module(module)
>>> assert (module.layers[0].linear1.weight == 0).all()

将 tensordict 用作上下文管理器对于进行函数式调用可能很有用：.. rubric:: 示例

>>> from tensordict import from_module
>>> module = nn.TransformerDecoder(
...     decoder_layer=nn.TransformerDecoderLayer(nhead=4, d_model=4),
...     num_layers=1)
>>> params = TensorDict.from_module(module)
>>> params = params.data * 0 # Use TensorDictParams to remake these tensors regular nn.Parameter instances
>>> with params.to_module(module):
...     # Call the module with zeroed params
...     y = module(*inputs)
>>> # The module is repopulated with its original params
>>> assert (TensorDict.from_module(module) != 0).any()

返回:: 如果 return_swap 为 True，则返回包含模块值的 tensordict，否则返回 None。

to_namedtuple(dest_cls: Optional[type] = None)¶

将 tensordict 转换为 namedtuple。

参数:: dest_cls (Type, 可选) – 可选的 namedtuple 类以供使用。

示例

>>> from tensordict import TensorDict
>>> import torch
>>> data = TensorDict({
...     "a_tensor": torch.zeros((3)),
...     "nested": {"a_tensor": torch.zeros((3)), "a_string": "zero!"}}, [3])
>>> data.to_namedtuple()
GenericDict(a_tensor=tensor([0., 0., 0.]), nested=GenericDict(a_tensor=tensor([0., 0., 0.]), a_string='zero!'))

to_padded_tensor(padding=0.0, mask_key: Optional[NestedKey] = None)¶

将所有嵌套张量转换为填充版本，并相应地调整 batch-size。

参数:

padding (float) – tensordict 中张量的填充值。默认为 0.0。
mask_key (NestedKey, 可选) – 如果提供，则为将写入有效值掩码的键。如果异构维度不是 tensordict batch-size 的一部分，则会导致错误。默认为 None。

to_pytree()¶

将 tensordict 转换为 PyTree。

如果 tensordict 不是从 pytree 创建的，则此方法仅返回 self 而不进行修改。

有关更多信息和示例，请参见 from_pytree()。

to_struct_array()¶

将 tensordict 转换为 numpy 结构化数组。

在 from_struct_array() - to_struct_array() 循环中，输入和输出数组的内容应匹配。但是，to_struct_array 将不会保留原始数组的内存内容。

有关更多信息，请参见 from_struct_array()。

to_tensordict(*, retain_none: Optional[bool] = None) → T¶

从 TensorDictBase 返回一个常规的 TensorDict 实例。

参数:

retain_none (bool) –

如果为 True，则来自 tensorclass 实例的 None 值将写入 tensordict 中。否则，它们将被丢弃。默认值：True。

注意

从 v0.8 开始，默认值将切换为 False。

返回:

一个新的 TensorDict 对象，包含相同的值。

transpose(dim0, dim1)¶

返回一个 tensordict，它是输入的转置版本。给定的维度 dim0 和 dim1 被交换。

转置 tensordict 的原地或异地修改也会影响原始 tensordict，因为内存是共享的，并且操作会映射回原始 tensordict。

示例

>>> tensordict = TensorDict({"a": torch.randn(3, 4, 5)}, [3, 4])
>>> tensordict_transpose = tensordict.transpose(0, 1)
>>> print(tensordict_transpose.shape)
torch.Size([4, 3])
>>> tensordict_transpose.set("b",, torch.randn(4, 3))
>>> print(tensordict.get("b").shape)
torch.Size([3, 4])

trunc() → T¶: 计算 TensorDict 中每个元素的 trunc() 值。

trunc_() → T¶: 原地计算 TensorDict 中每个元素的 trunc() 值。

type(dst_type)¶

将所有张量强制转换为 dst_type。

参数:: dst_type (type 或 string) – 目标类型

uint16()¶: 将所有张量强制转换为 torch.uint16。

uint32()¶: 将所有张量强制转换为 torch.uint32。

uint64()¶: 将所有张量强制转换为 torch.uint64。

uint8()¶: 将所有张量强制转换为 torch.uint8。

unbind(dim: int) → tuple[T, ...]¶

返回索引 tensordict 的元组，沿指示的维度解绑。

示例

>>> td = TensorDict({
...     'x': torch.arange(12).reshape(3, 4),
... }, batch_size=[3, 4])
>>> td0, td1, td2 = td.unbind(0)
>>> td0['x']
tensor([0, 1, 2, 3])
>>> td1['x']
tensor([4, 5, 6, 7])

unflatten(dim, unflattened_size)¶

展开 tensordict 维度，将其扩展为所需的形状。

参数:

dim (int) – 指定要展开的输入张量的维度。
unflattened_size (shape) – 是 tensordict 的展开维度的新形状。

示例

>>> td = TensorDict({
...     "a": torch.arange(60).view(3, 4, 5),
...     "b": torch.arange(12).view(3, 4)},
...     batch_size=[3, 4])
>>> td_flat = td.flatten(0, 1)
>>> td_unflat = td_flat.unflatten(0, [3, 4])
>>> assert (td == td_unflat).all()

unflatten_keys(separator: str = '.', inplace: bool = False) → T¶

将扁平化的 tensordict 递归地转换为嵌套的 tensordict。

TensorDict 类型将会丢失，结果将是一个简单的 TensorDict 实例。嵌套 tensordict 的元数据将从根目录推断：数据树中的所有实例将共享相同的批大小、维度名称和设备。

参数:

separator (str, optional) – 嵌套项之间的分隔符。
inplace (bool, optional) – 如果为 True，则生成的 tensordict 将与调用它的 tensordict 具有相同的标识。默认为 False。

示例

>>> data = TensorDict({"a": 1, "b - c": 2, "e - f - g": 3}, batch_size=[])
>>> data.unflatten_keys(separator=" - ")
TensorDict(
    fields={
        a: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.int64, is_shared=False),
        b: TensorDict(
            fields={
                c: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.int64, is_shared=False)},
            batch_size=torch.Size([]),
            device=None,
            is_shared=False),
        e: TensorDict(
            fields={
                f: TensorDict(
                    fields={
                        g: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.int64, is_shared=False)},
                    batch_size=torch.Size([]),
                    device=None,
                    is_shared=False)},
            batch_size=torch.Size([]),
            device=None,
            is_shared=False)},
    batch_size=torch.Size([]),
    device=None,
    is_shared=False)

此方法和 unflatten_keys() 在处理状态字典时特别有用，因为它们可以无缝地将扁平字典转换为模仿模型结构的数据结构。

示例

>>> model = torch.nn.Sequential(torch.nn.Linear(3 ,4))
>>> ddp_model = torch.ao.quantization.QuantWrapper(model)
>>> state_dict = TensorDict(ddp_model.state_dict(), batch_size=[]).unflatten_keys(".")
>>> print(state_dict)
TensorDict(
    fields={
        module: TensorDict(
            fields={
                0: TensorDict(
                    fields={
                        bias: Tensor(shape=torch.Size([4]), device=cpu, dtype=torch.float32, is_shared=False),
                        weight: Tensor(shape=torch.Size([4, 3]), device=cpu, dtype=torch.float32, is_shared=False)},
                    batch_size=torch.Size([]),
                    device=None,
                    is_shared=False)},
            batch_size=torch.Size([]),
            device=None,
            is_shared=False)},
    batch_size=torch.Size([]),
    device=None,
    is_shared=False)
>>> model_state_dict = state_dict.get("module")
>>> print(model_state_dict)
TensorDict(
    fields={
        0: TensorDict(
            fields={
                bias: Tensor(shape=torch.Size([4]), device=cpu, dtype=torch.float32, is_shared=False),
                weight: Tensor(shape=torch.Size([4, 3]), device=cpu, dtype=torch.float32, is_shared=False)},
            batch_size=torch.Size([]),
            device=None,
            is_shared=False)},
    batch_size=torch.Size([]),
    device=None,
    is_shared=False)
>>> model.load_state_dict(dict(model_state_dict.flatten_keys(".")))

unlock_() → T¶

解锁 tensordict 以进行非原地操作。

可以作为装饰器使用。

有关更多详细信息，请参阅 lock_()。

unsqueeze(*args, **kwargs)¶

对介于 -td.batch_dims 和 td.batch_dims 之间的维度解压缩所有张量，并在新的 tensordict 中返回它们。

参数:: dim (int) – 要沿其解压缩的维度

示例

>>> td = TensorDict({
...     'x': torch.arange(24).reshape(3, 4, 2),
... }, batch_size=[3, 4])
>>> td = td.unsqueeze(-2)
>>> td.shape
torch.Size([3, 1, 4])
>>> td.get("x").shape
torch.Size([3, 1, 4, 2])

此操作也可以用作上下文管理器。对原始 tensordict 的更改将发生在原地之外，即原始张量的内容不会被更改。这也假定 tensordict 未被锁定（否则，需要解锁 tensordict）。

>>> td = TensorDict({
...     'x': torch.arange(24).reshape(3, 4, 2),
... }, batch_size=[3, 4])
>>> with td.unsqueeze(-2) as tds:
...     tds.set("y", torch.zeros(3, 1, 4))
>>> assert td.get("y").shape == [3, 4]

update(input_dict_or_td: Union[dict[str, torch.Tensor], T], clone: bool = False, inplace: bool = False, *, non_blocking: bool = False, keys_to_update: Optional[Sequence[NestedKey]] = None, is_leaf: Optional[Callable[[Type], bool]] = None) → T¶

使用字典或另一个 TensorDict 中的值更新 TensorDict。

参数:

input_dict_or_td (TensorDictBase 或 dict) – 要写入 self 的输入数据。
clone (bool, 可选) – 是否应在设置之前克隆输入（张量）字典中的张量。默认为 False。
inplace (bool, 可选) – 如果为 True 且键与 tensordict 中的现有键匹配，则将对该键值对进行原地更新。如果找不到条目，则会添加它。默认为 False。

关键字参数:

keys_to_update (NestedKeys 序列, 可选) – 如果提供，则只会更新 key_to_update 中的键列表。这旨在避免调用 data_dest.update(data_src.select(*keys_to_update))。
non_blocking (bool, 可选) – 如果 True 且此复制操作在不同设备之间进行，则复制操作可能相对于主机异步发生。
is_leaf (Callable[[Type], bool], 可选) – 一个可调用对象，指示对象类型是否应被视为叶节点并交换或作为张量集合。

返回:

self

示例

>>> td = TensorDict({}, batch_size=[3])
>>> a = torch.randn(3)
>>> b = torch.randn(3, 4)
>>> other_td = TensorDict({"a": a, "b": b}, batch_size=[])
>>> td.update(other_td, inplace=True) # writes "a" and "b" even though they can't be found
>>> assert td['a'] is other_td['a']
>>> other_td = other_td.clone().zero_()
>>> td.update(other_td)
>>> assert td['a'] is not other_td['a']

update_(input_dict_or_td: Union[dict[str, torch.Tensor], T], clone: bool = False, *, non_blocking: bool = False, keys_to_update: Optional[Sequence[NestedKey]] = None) → T¶

使用字典或另一个 TensorDict 中的值**原地**更新 TensorDict。

与 update() 不同，如果键对于 self 是未知的，此函数将抛出错误。

参数:

input_dict_or_td (TensorDictBase 或 dict) – 要写入 self 的输入数据。
clone (bool, 可选) – 是否应在设置之前克隆输入（张量）字典中的张量。默认为 False。

关键字参数:

keys_to_update (NestedKeys 序列, 可选) – 如果提供，则只会更新 key_to_update 中的键列表。这旨在避免调用 data_dest.update_(data_src.select(*keys_to_update))。
non_blocking (bool, 可选) – 如果 True 且此复制操作在不同设备之间进行，则复制操作可能相对于主机异步发生。

返回:

self

示例

>>> a = torch.randn(3)
>>> b = torch.randn(3, 4)
>>> td = TensorDict({"a": a, "b": b}, batch_size=[3])
>>> other_td = TensorDict({"a": a*0, "b": b*0}, batch_size=[])
>>> td.update_(other_td)
>>> assert td['a'] is not other_td['a']
>>> assert (td['a'] == other_td['a']).all()
>>> assert (td['a'] == 0).all()

update_at_(input_dict_or_td: Union[dict[str, torch.Tensor], T], idx: Union[None, int, slice, str, Tensor,List[Any], Tuple[Any, ...]], clone: bool = False, *, non_blocking: bool = False, keys_to_update: Optional[Sequence[NestedKey]] = None) → T¶

使用字典或另一个 TensorDict 中的值，在指定索引处**原地**更新 TensorDict。

与 TensorDict.update 不同，如果键对于 TensorDict 是未知的，此函数将抛出错误。

参数:

input_dict_or_td (TensorDictBase 或 dict) – 要写入 self 的输入数据。
idx (int, torch.Tensor, 可迭代对象, slice) – 应该发生更新的 tensordict 的索引。
clone (bool, 可选) – 是否应在设置之前克隆输入（张量）字典中的张量。默认为 False。

关键字参数:

keys_to_update (NestedKeys 序列, 可选) – 如果提供，则只会更新 key_to_update 中的键列表。
non_blocking (bool, 可选) – 如果 True 且此复制操作在不同设备之间进行，则复制操作可能相对于主机异步发生。

返回:

self

示例

>>> td = TensorDict({
...     'a': torch.zeros(3, 4, 5),
...     'b': torch.zeros(3, 4, 10)}, batch_size=[3, 4])
>>> td.update_at_(
...     TensorDict({
...         'a': torch.ones(1, 4, 5),
...         'b': torch.ones(1, 4, 10)}, batch_size=[1, 4]),
...    slice(1, 2))
TensorDict(
    fields={
        a: Tensor(torch.Size([3, 4, 5]), dtype=torch.float32),
        b: Tensor(torch.Size([3, 4, 10]), dtype=torch.float32)},
    batch_size=torch.Size([3, 4]),
    device=None,
    is_shared=False)
>>> assert (td[1] == 1).all()

values(include_nested: bool = False, leaves_only: bool = False, is_leaf: Optional[Callable[[Type], bool]] = None, *, sort: bool = False) → Iterator[tuple[str, torch.Tensor]]¶

返回表示 tensordict 值的生成器。

参数:

include_nested (bool, 可选) – 如果为 True，将返回嵌套值。默认为 False。
leaves_only (bool, 可选) – 如果为 False，则仅返回叶节点。默认为 False。
is_leaf – 一个可选的可调用对象，用于指示一个类是否应被视为叶节点。

关键字参数:

sort (bool, 可选) – 是否应排序键。对于嵌套键，键根据其连接的名称排序（即，("a", "key") 将被视为 "a.key" 进行排序）。请注意，在处理大型 tensordict 时，排序可能会产生显著的开销。默认为 False。

var(dim: Union[int, Tuple[int]] = _NoDefault.ZERO, keepdim: bool = _NoDefault.ZERO, *, correction: int = 1, reduce: Optional[bool] = None) → tensordict.base.TensorDictBase | torch.Tensor¶

返回输入 tensordict 中所有元素的方差值。

参数:

dim (int, int 元组, 可选) – 如果为 None，则返回一个无量纲的 tensordict，其中包含所有叶节点的总和值（如果可以计算）。如果为整数或整数元组，则仅当维度与 tensordict 形状兼容时，才对指定的维度调用 var。
keepdim (bool) – 输出张量是否保留维度。

关键字参数:

correction (int) – 样本大小与样本自由度之间的差值。默认为 Bessel 校正，correction=1。
reduce (bool, 可选) – 如果为 True，则将在所有 TensorDict 值上进行缩减，并将返回单个缩减张量。默认为 False。

view(*shape: int, size: list | tuple | torch.Size | None = None, batch_size: torch.Size | None = None)¶

返回一个 tensordict，其中包含根据与 tensordict 批大小兼容的新形状的张量视图。

或者，可以提供 dtype 作为第一个未命名的参数。在这种情况下，所有张量都将使用相应的 dtype 查看。请注意，这假设新形状将与提供的 dtype 兼容。有关 dtype 视图的更多信息，请参阅 view()。

参数:

*shape (int) – 结果 tensordict 的新形状。
dtype (torch.dtype) – 或者，用于表示张量内容的 dtype。
size – 可迭代对象

关键字参数:

batch_size (torch.Size, 可选) – 如果提供了 dtype，则可以使用此关键字参数重置批大小。如果使用形状调用 view，则此操作无效。

返回:

具有所需批大小的新 tensordict。

示例

>>> td = TensorDict(source={'a': torch.zeros(3,4,5),
...    'b': torch.zeros(3,4,10,1)}, batch_size=torch.Size([3, 4]))
>>> td_view = td.view(12)
>>> print(td_view.get("a").shape)  # torch.Size([12, 5])
>>> print(td_view.get("b").shape)  # torch.Size([12, 10, 1])
>>> td_view = td.view(-1, 4, 3)
>>> print(td_view.get("a").shape)  # torch.Size([1, 4, 3, 5])
>>> print(td_view.get("b").shape)  # torch.Size([1, 4, 3, 10, 1])

where(condition, other, *, out=None, pad=None)¶

返回一个 TensorDict，其中的元素根据条件从 self 或 other 中选择。

参数:

condition (BoolTensor) – 当 True（非零）时，产生 self，否则产生 other。
other (TensorDictBase 或标量) – 值（如果 other 是标量）或在条件为 False 的索引处选择的值。

关键字参数:

out (TensorDictBase, 可选) – 输出 TensorDictBase 实例。
pad (标量, 可选) – 如果提供，则源或目标 tensordict 中缺少的键将被写入为 torch.where(mask, self, pad) 或 torch.where(mask, pad, other)。默认为 None，即不容忍缺少键。

zero_() → T¶: **原地**将 tensordict 中的所有张量置零。

zero_grad(set_to_none: bool = True) → T¶

递归地将 TensorDict 的所有梯度置零。

参数:: set_to_none (bool, 可选) – 如果为 True，则 tensor.grad 将为 None，否则为 0。默认为 True。

TensorDict¶

文档

教程

资源