td1_advantage_estimate

class torchrl.objectives.value.functional.td1_advantage_estimate(gamma: float, state_value: Tensor, next_state_value: Tensor, reward: Tensor, done: Tensor, terminated: Optional[Tensor] = None, rolling_gamma: Optional[bool] = None, time_dim: int = - 2)

TD(1) 優勢估計。

參數:

• gamma (純量) – 指數平均折扣。

• state_value (Tensor) – 具有 old_state 輸入的值函數結果。

• next_state_value (Tensor) – 具有 new_state 輸入的值函數結果。

• reward (Tensor) – 在環境中採取行動的回報。

• done (Tensor) – 軌跡結束的布林旗標。

• terminated (Tensor) – episode 結束的布林旗標。如果未提供，預設為 done。

• rolling_gamma (bool, optional) –

  如果 True，則假設每個 gamma（如果 gamma tensor 綁定到單一事件）

  gamma = [g1, g2, g3, g4] value = [v1, v2, v3, v4] return = [

  v1 + g1 v2 + g1 g2 v3 + g1 g2 g3 v4, v2 + g2 v3 + g2 g3 v4, v3 + g3 v4, v4,

  ]

  如果 False，則假設每個 gamma 都綁定到即將到來的軌跡

  gamma = [g1, g2, g3, g4] value = [v1, v2, v3, v4] return = [

  v1 + g1 v2 + g1**2 v3 + g**3 v4, v2 + g2 v3 + g2**2 v4, v3 + g3 v4, v4,

  ]

  預設為 True。

• time_dim (int) – 時間展開的維度。預設為 -2。

所有張量（值、獎勵和完成）的形狀必須為 [*Batch x TimeSteps x *F]，其中 *F 為特徵維度。