Conv3dNet¶
- class torchrl.modules.Conv3dNet(in_features: ~typing.Optional[int] = None, depth: ~typing.Optional[int] = None, num_cells: ~typing.Optional[~typing.Union[~typing.Sequence[int], int]] = None, kernel_sizes: ~typing.Union[~typing.Sequence[int], int] = 3, strides: ~typing.Union[~typing.Sequence[int], int] = 1, paddings: ~typing.Union[~typing.Sequence[int], int] = 0, activation_class: ~typing.Union[~typing.Type[~torch.nn.modules.module.Module], ~typing.Callable] = <class 'torch.nn.modules.activation.ELU'>, activation_kwargs: ~typing.Optional[~typing.Union[dict, ~typing.List[dict]]] = None, norm_class: ~typing.Optional[~typing.Union[~typing.Type[~torch.nn.modules.module.Module], ~typing.Callable]] = None, norm_kwargs: ~typing.Optional[~typing.Union[dict, ~typing.List[dict]]] = None, bias_last_layer: bool = True, aggregator_class: ~typing.Optional[~typing.Union[~typing.Type[~torch.nn.modules.module.Module], ~typing.Callable]] = <class 'torchrl.modules.models.utils.SquashDims'>, aggregator_kwargs: ~typing.Optional[dict] = None, squeeze_output: bool = False, device: ~typing.Optional[~typing.Union[~torch.device, str, int]] = None)[source]¶
一個 3D 卷積神經網路。
- 參數:
in_features (int, optional) – 輸入特徵的數量。如果未提供，將使用自動檢索輸入大小的惰性實作。
depth (int, optional) – 網路的深度。深度為
1將產生具有所需輸入大小且輸出大小等於num_cells引數最後一個元素的單個線性層網路。如果沒有指示depth，則depth資訊應包含在num_cells引數中（請參閱下文）。如果num_cells是可迭代的且指示了depth，則兩者應匹配：len(num_cells)必須等於depth。num_cells (int 或 int 序列, 選填) – 輸入和輸出之間每一層的 cell 數量。如果提供一個整數，則每一層將具有相同數量的 cell，並且深度將從
depth取得。如果提供一個可迭代物件，線性層out_features將與 num_cells 的內容匹配。預設值為[32, 32, 32]或[32] * depth` is depth is not ``None。kernel_sizes (int, int 序列, 選填) – conv 網路的 kernel 大小。如果為可迭代物件，則長度必須與深度相符，深度由
num_cells或 depth 參數定義。預設值為3。strides (int 或 int 序列) – conv 網路的 stride。如果為可迭代物件，則長度必須與深度相符，深度由
num_cells或 depth 參數定義。預設值為1。activation_class (Type[nn.Module] 或 callable) – 要使用的 activation 類別或建構子。預設值為
Tanh。activation_kwargs (dict 或 dicts 列表, 選填) – 與 activation 類別一起使用的 kwargs。也可以提供長度為
depth的 kwargs 列表，每一層有一個元素。norm_class (Type 或 callable, 選填) – 正規化類別，如果有的話。
norm_kwargs (dict 或 dicts 列表, 選填) – 與正規化層一起使用的 kwargs。也可以提供長度為
depth的 kwargs 列表，每一層有一個元素。bias_last_layer (bool) – 如果
True，則最後的 Linear 層將具有偏差參數。預設值為True。aggregator_class (Type[nn.Module] 或 callable) – 要在鏈末端使用的 aggregator 類別或建構子。預設值為
SquashDims。aggregator_kwargs (dict, 選填) –
aggregator_class建構子的 kwargs。squeeze_output (bool) – 是否應擠壓輸出的單例維度。預設值為
False。device (torch.device, 選填) – 在其上建立模組的裝置。
範例
>>> # All of the following examples provide valid, working MLPs >>> cnet = Conv3dNet(in_features=3, depth=1, num_cells=[32,]) >>> print(cnet) Conv3dNet( (0): Conv3d(3, 32, kernel_size=(3, 3, 3), stride=(1, 1, 1)) (1): ELU(alpha=1.0) (2): SquashDims() ) >>> cnet = Conv3dNet(in_features=3, depth=4, num_cells=32) >>> print(cnet) Conv3dNet( (0): Conv3d(3, 32, kernel_size=(3, 3, 3), stride=(1, 1, 1)) (1): ELU(alpha=1.0) (2): Conv3d(32, 32, kernel_size=(3, 3, 3), stride=(1, 1, 1)) (3): ELU(alpha=1.0) (4): Conv3d(32, 32, kernel_size=(3, 3, 3), stride=(1, 1, 1)) (5): ELU(alpha=1.0) (6): Conv3d(32, 32, kernel_size=(3, 3, 3), stride=(1, 1, 1)) (7): ELU(alpha=1.0) (8): SquashDims() ) >>> cnet = Conv3dNet(in_features=3, num_cells=[32, 33, 34, 35]) # defines the depth by the num_cells arg >>> print(cnet) Conv3dNet( (0): Conv3d(3, 32, kernel_size=(3, 3, 3), stride=(1, 1, 1)) (1): ELU(alpha=1.0) (2): Conv3d(32, 33, kernel_size=(3, 3, 3), stride=(1, 1, 1)) (3): ELU(alpha=1.0) (4): Conv3d(33, 34, kernel_size=(3, 3, 3), stride=(1, 1, 1)) (5): ELU(alpha=1.0) (6): Conv3d(34, 35, kernel_size=(3, 3, 3), stride=(1, 1, 1)) (7): ELU(alpha=1.0) (8): SquashDims() ) >>> cnet = Conv3dNet(in_features=3, num_cells=[32, 33, 34, 35], kernel_sizes=[3, 4, 5, (2, 3, 4)]) # defines kernels, possibly rectangular >>> print(cnet) Conv3dNet( (0): Conv3d(3, 32, kernel_size=(3, 3, 3), stride=(1, 1, 1)) (1): ELU(alpha=1.0) (2): Conv3d(32, 33, kernel_size=(4, 4, 4), stride=(1, 1, 1)) (3): ELU(alpha=1.0) (4): Conv3d(33, 34, kernel_size=(5, 5, 5), stride=(1, 1, 1)) (5): ELU(alpha=1.0) (6): Conv3d(34, 35, kernel_size=(2, 3, 4), stride=(1, 1, 1)) (7): ELU(alpha=1.0) (8): SquashDims() )
