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, init_value: float = 0.0)

一個 nn.Module，用於新增可訓練的、與狀態無關的尺度引數。

尺度引數使用指定的 scale_mapping 對映為正值。

引數:

scale_shape (torch.Size 或 等價物, 可選) – 尺度引數的形狀。預設為 torch.Size(())。

關鍵字引數:

• scale_mapping (str, 可選) – 用於標準差的正向對映函式。預設為 "exp"，可選值： "softplus"、 "exp"、 "relu"、 "biased_softplus_1"。

• scale_lb (Number, 可選) – 方差可以取的最小值。預設為 1e-4。

• device (torch.device, 可選) – 模組的裝置。

• make_param (bool, 可選) – 尺度是引數（True）還是緩衝區（False）。預設為 True。

• init_value (float, 可選) – 狀態無關尺度的初始值。預設為 0.0。

示例

>>> 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()