tensordict.nn.distributions.AddStateIndependentNormalScale

class tensordict.nn.distributions.AddStateIndependentNormalScale(scale_shape: Optional[Union[Size, int, tuple]] = None, *, scale_mapping: str = 'exp', scale_lb: Number = 0.0001, device: Optional[device] = None, make_param: bool = True)

一個 nn.Module，用於添加可訓練的狀態獨立尺度參數。

尺度參數使用指定的 scale_mapping 映射到正值。

參數:

scale_shape (torch.Size 或 等效值, 選用) – 尺度參數的形狀。預設為 torch.Size(())。

關鍵字引數:

• scale_mapping ( str, optional) – 與 std 搭配使用的正向映射函數。預設為 "biased_softplus_1.0" (即帶有偏差的 softplus 映射，使得 fn(0.0) = 1.0) 。可選值："softplus"、"exp"、"relu"、"biased_softplus_1"。

• scale_lb (Number, optional) – 變異數可取的最小值。預設為 1e-4。

• device ( torch.device, optional) – 模組的裝置。

• make_param ( bool, optional) – scale 是否應為參數 (True) 或緩衝區 (False)。預設為 True。

範例

>>> from torch import nn
>>> import torch
>>> num_outputs = 4
>>> module = nn.Linear(3, num_outputs)
>>> module_normal = AddStateIndependentNormalScale(num_outputs)
>>> tensor = torch.randn(3)
>>> loc, scale = module_normal(module(tensor))
>>> print(loc.shape, scale.shape)
torch.Size([4]) torch.Size([4])
>>> assert (scale > 0).all()
>>> # with modules that return more than one tensor
>>> module = nn.LSTM(3, num_outputs)
>>> module_normal = AddStateIndependentNormalScale(num_outputs)
>>> tensor = torch.randn(4, 2, 3)
>>> loc, scale, others = module_normal(*module(tensor))
>>> print(loc.shape, scale.shape)
torch.Size([4, 2, 4]) torch.Size([4, 2, 4])
>>> assert (scale > 0).all()