RandomCropTensorDict

class torchrl.envs.transforms.RandomCropTensorDict(sub_seq_len: int, sample_dim: int = - 1, mask_key: NestedKey | None = None)

用於 ReplayBuffer 和模組的軌跡子取樣器。

沿著輸入 tensordict 的最後一個維度收集指定長度的子序列。這可以用於從從 ReplayBuffer 取樣的軌跡中獲取裁剪的軌跡。

此轉換主要設計用於與回放緩衝區和模組一起使用。目前，它不能用作環境轉換。如果您希望此行為，請隨時透過 issue 請求。

引數:

• sub_seq_len (int) – 要取樣的子軌跡的長度

• sample_dim (int, optional) – 應該發生裁剪的維度。傾向於使用負維度，以使轉換對具有不同批次維度的 tensordict 具有魯棒性。預設為 -1（TorchRL 中的預設時間維度）。

• mask_key (NestedKey) – 如果提供，則表示取樣時要查詢的掩碼鍵。如果提供，則只返回有效元素。假定掩碼是一個布林張量，前面是 True 值，後面是 False 值，而不是混合在一起。RandomCropTensorDict 不會檢查這一點，因此不正確的掩碼可能導致錯誤而未被發現。預設值：None（無掩碼鍵）。

forward(tensordict: TensorDictBase) → TensorDictBase

讀取輸入 tensordict，並對選定的鍵應用轉換。

預設情況下，此方法

• 直接呼叫 _apply_transform()。

• 不呼叫 _step() 或 _call()。

此方法不會在任何時候在 env.step 中呼叫。但是，它會在 sample() 中呼叫。

注意

forward 也可以使用 dispatch 將引數名稱轉換為鍵，並使用常規關鍵字引數。

示例

>>> class TransformThatMeasuresBytes(Transform):
...     '''Measures the number of bytes in the tensordict, and writes it under `"bytes"`.'''
...     def __init__(self):
...         super().__init__(in_keys=[], out_keys=["bytes"])
...
...     def forward(self, tensordict: TensorDictBase) -> TensorDictBase:
...         bytes_in_td = tensordict.bytes()
...         tensordict["bytes"] = bytes
...         return tensordict
>>> t = TransformThatMeasuresBytes()
>>> env = env.append_transform(t) # works within envs
>>> t(TensorDict(a=0))  # Works offline too.