VIPTransform¶

class torchrl.envs.transforms.VIPTransform(*args, **kwargs)[source]¶

VIP 轉換類別。

VIP 提供預訓練的 ResNet 權重，旨在促進機器人任務的視覺嵌入和獎勵。這些模型使用 Ego4d 進行訓練。請參閱論文

VIP：透過值隱含預訓練實現通用視覺獎勵和表示 (Jason Ma
Shagun Sodhani, Dinesh Jayaraman, Osbert Bastani, Vikash Kumar*, Amy Zhang*)

參數:

model_name (str) – resnet50 之一
in_keys (list of str, optional) – 輸入鍵清單。如果留空，則假定為“pixels”鍵。
out_keys (list of str, optional) – 輸出鍵清單。如果留空，則假定為“vip_vec”。
size (int, optional) – 要饋送到 resnet 的影像大小。預設為 244。
stack_images (bool, optional) – 如果為 False，則 in_keys 引數中給定的影像將被分別處理，並且每個影像將在輸出 tensordict 中獲得一個單獨的條目。預設為 True。
download (bool, torchvision Weights config 或 對應字串) – 如果為 True，將使用 torch.hub 下載 API 下載權重（即，權重將被快取以供將來使用）。這些權重是 VIP 發佈中的原始權重。如果需要 torchvision 權重，可以透過兩種方式獲得：download=ResNet50_Weights.IMAGENET1K_V1 或 download="IMAGENET1K_V1"，其中 ResNet50_Weights 可以透過 from torchvision.models import resnet50, ResNet50_Weights 導入。預設為 False。
download_path (str, optional) – 模型下載的路徑。預設為 None (快取路徑由 torch.hub 工具決定)。
tensor_pixels_keys (list of str, optional) – 可選地，您可以將原始影像（從環境收集的）保留在輸出的 tensordict 中。如果沒有提供值，則不會收集。

to(dest: Union[device, str, int, dtype])[source]¶

移動和/或轉換參數和緩衝區。

這可以這樣調用：

to(device=None, dtype=None, non_blocking=False)[source]

to(dtype, non_blocking=False)[source]

to(tensor, non_blocking=False)[source]

to(memory_format=torch.channels_last)[source]

其簽名與 torch.Tensor.to() 類似，但僅接受浮點數或複數 dtype。此外，此方法僅將浮點數或複數參數和緩衝區轉換為 dtype (如果給定)。整數參數和緩衝區將被移動到 device (如果給定)，但 dtype 不變。當設置 non_blocking 時，如果可能，它會嘗試相對於主機進行非同步轉換/移動，例如，將具有釘選記憶體的 CPU 張量移動到 CUDA 設備。

請參閱下面的範例。

注意

此方法會就地修改模組。

參數:

device (torch.device) – 此模組中參數和緩衝區的目標設備
dtype (torch.dtype) – 此模組中參數和緩衝區的目標浮點數或複數 dtype
tensor (torch.Tensor) – 張量，其 dtype 和設備是此模組中所有參數和緩衝區的目標 dtype 和設備
memory_format (torch.memory_format) – 此模組中 4D 參數和緩衝區的目標記憶體格式（僅限關鍵字參數）

Returns:

self

Return type:

Module

範例

>>> # xdoctest: +IGNORE_WANT("non-deterministic")
>>> linear = nn.Linear(2, 2)
>>> linear.weight
Parameter containing:
tensor([[ 0.1913, -0.3420],
        [-0.5113, -0.2325]])
>>> linear.to(torch.double)
Linear(in_features=2, out_features=2, bias=True)
>>> linear.weight
Parameter containing:
tensor([[ 0.1913, -0.3420],
        [-0.5113, -0.2325]], dtype=torch.float64)
>>> # xdoctest: +REQUIRES(env:TORCH_DOCTEST_CUDA1)
>>> gpu1 = torch.device("cuda:1")
>>> linear.to(gpu1, dtype=torch.half, non_blocking=True)
Linear(in_features=2, out_features=2, bias=True)
>>> linear.weight
Parameter containing:
tensor([[ 0.1914, -0.3420],
        [-0.5112, -0.2324]], dtype=torch.float16, device='cuda:1')
>>> cpu = torch.device("cpu")
>>> linear.to(cpu)
Linear(in_features=2, out_features=2, bias=True)
>>> linear.weight
Parameter containing:
tensor([[ 0.1914, -0.3420],
        [-0.5112, -0.2324]], dtype=torch.float16)

>>> linear = nn.Linear(2, 2, bias=None).to(torch.cdouble)
>>> linear.weight
Parameter containing:
tensor([[ 0.3741+0.j,  0.2382+0.j],
        [ 0.5593+0.j, -0.4443+0.j]], dtype=torch.complex128)
>>> linear(torch.ones(3, 2, dtype=torch.cdouble))
tensor([[0.6122+0.j, 0.1150+0.j],
        [0.6122+0.j, 0.1150+0.j],
        [0.6122+0.j, 0.1150+0.j]], dtype=torch.complex128)

VIPTransform¶

文件

Tutorials

Resources