R3MTransform¶

class torchrl.envs.transforms.R3MTransform(*args, **kwargs)[原始碼]¶

R3M 變換類。

R3M 提供預訓練的 ResNet 權重，旨在方便機器人任務的視覺嵌入。這些模型使用 Ego4d 進行訓練。

參閱論文

R3M: A Universal Visual Representation for Robot Manipulation (Suraj Nair,: Aravind Rajeswaran, Vikash Kumar, Chelsea Finn, Abhinav Gupta) https://arxiv.org/abs/2203.12601

R3MTransform 以惰性方式建立：物件僅在查詢屬性（spec 或 forward 方法）時初始化。這樣做的原因是 _init() 方法需要訪問父環境（如果存在）的一些屬性：透過使類惰性化，我們可以確保以下程式碼片段按預期工作

示例

>>> transform = R3MTransform("resnet50", in_keys=["pixels"])
>>> env.append_transform(transform)
>>> # the forward method will first call _init which will look at env.observation_spec
>>> env.reset()

引數:

model_name (str) – resnet50、resnet34 或 resnet18 之一
in_keys (list of str) – 輸入鍵列表。如果留空，則假定為“pixels”鍵。
out_keys (list of str, optional) – 輸出鍵列表。如果留空，則假定為“r3m_vec”。
size (int, optional) – 要輸入到 resnet 的影像大小。預設為 244。
stack_images (bool, optional) – 如果為 False，則 in_keys 引數中給定的影像將單獨處理，並且每個影像在輸出 tensordict 中都會有一個單獨的條目。預設為 True。
download (bool, torchvision Weights config or corresponding string) – 如果為 True，則將使用 torch.hub 下載 API 下載權重（即權重將快取以備將來使用）。這些權重是 R3M 釋出中的原始權重。如果需要 torchvision 權重，有兩種獲取方法：download=ResNet50_Weights.IMAGENET1K_V1 或 download="IMAGENET1K_V1"，其中 ResNet50_Weights 可以透過 from torchvision.models import resnet50, ResNet50_Weights 匯入。預設為 False。
download_path (str, optional) – 模型下載路徑。預設為 None（由 torch.hub utils 確定的快取路徑）。
tensor_pixels_keys (list of str, optional) – 可選地，可以在輸出 tensordict 中保留原始影像（從環境收集的影像）。如果未提供值，則不會收集此項。

to(dest: Union[device, str, int, dtype])[原始碼]¶

移動和/或轉換引數和緩衝區。

可以像這樣呼叫

to(device=None, dtype=None, non_blocking=False)[原始碼]

to(dtype, non_blocking=False)[原始碼]

to(tensor, non_blocking=False)[原始碼]

to(memory_format=torch.channels_last)[原始碼]

其簽名類似於 torch.Tensor.to()，但只接受浮點或複數 dtype。此外，此方法只會將浮點或複數引數和緩衝區轉換為給定的 dtype（如果給定）。整數引數和緩衝區將被移動到 device（如果給定），但 dtype 保持不變。設定 non_blocking 後，它會嘗試儘可能非同步地轉換/移動（相對於主機），例如，將具有固定記憶體的 CPU 張量移動到 CUDA 裝置。

請參閱下方示例。

注意

此方法會就地修改模組。

引數:

device (torch.device) – 此模組中引數和緩衝區的所需裝置
dtype (torch.dtype) – 此模組中引數和緩衝區的所需浮點或複數 dtype
tensor (torch.Tensor) – 其 dtype 和裝置是此模組中所有引數和緩衝區的所需 dtype 和裝置的張量
memory_format (torch.memory_format) – 此模組中 4D 引數和緩衝區的所需記憶體格式（僅關鍵字引數）

返回:

self

返回型別:

Module

示例

>>> # xdoctest: +IGNORE_WANT("non-deterministic")
>>> linear = nn.Linear(2, 2)
>>> linear.weight
Parameter containing:
tensor([[ 0.1913, -0.3420],
        [-0.5113, -0.2325]])
>>> linear.to(torch.double)
Linear(in_features=2, out_features=2, bias=True)
>>> linear.weight
Parameter containing:
tensor([[ 0.1913, -0.3420],
        [-0.5113, -0.2325]], dtype=torch.float64)
>>> # xdoctest: +REQUIRES(env:TORCH_DOCTEST_CUDA1)
>>> gpu1 = torch.device("cuda:1")
>>> linear.to(gpu1, dtype=torch.half, non_blocking=True)
Linear(in_features=2, out_features=2, bias=True)
>>> linear.weight
Parameter containing:
tensor([[ 0.1914, -0.3420],
        [-0.5112, -0.2324]], dtype=torch.float16, device='cuda:1')
>>> cpu = torch.device("cpu")
>>> linear.to(cpu)
Linear(in_features=2, out_features=2, bias=True)
>>> linear.weight
Parameter containing:
tensor([[ 0.1914, -0.3420],
        [-0.5112, -0.2324]], dtype=torch.float16)

>>> linear = nn.Linear(2, 2, bias=None).to(torch.cdouble)
>>> linear.weight
Parameter containing:
tensor([[ 0.3741+0.j,  0.2382+0.j],
        [ 0.5593+0.j, -0.4443+0.j]], dtype=torch.complex128)
>>> linear(torch.ones(3, 2, dtype=torch.cdouble))
tensor([[0.6122+0.j, 0.1150+0.j],
        [0.6122+0.j, 0.1150+0.j],
        [0.6122+0.j, 0.1150+0.j]], dtype=torch.complex128)

R3MTransform¶

文件

教程

資源