Conv3dNet

class torchrl.modules.Conv3dNet(in_features: int | None = None, depth: int | None = None, num_cells: Sequence[int] | int = None, kernel_sizes: Sequence[int] | int = 3, strides: Sequence[int] | int = 1, paddings: Sequence[int] | int = 0, activation_class: Type[nn.Module] | Callable = <class 'torch.nn.modules.activation.ELU'>, activation_kwargs: dict | List[dict] | None = None, norm_class: Type[nn.Module] | Callable | None = None, norm_kwargs: dict | List[dict] | None = None, bias_last_layer: bool = True, aggregator_class: Type[nn.Module] | Callable | None = <class 'torchrl.modules.models.utils.SquashDims'>, aggregator_kwargs: dict | None = None, squeeze_output: bool = False, device: DEVICE_TYPING | None = None)

一個 3D 卷積神經網路。

引數:

• in_features (int, optional) – 輸入特徵的數量。如果未提供，將使用自動檢索輸入大小的惰性實現。

• depth (int, optional) – 網路的深度。深度為 1 將生成一個具有所需輸入大小和輸出大小等於 num_cells 引數最後一個元素的單層線性網路。如果未指定 depth，則 depth 資訊應包含在 num_cells 引數中（見下文）。如果 num_cells 是一個可迭代物件並且指定了 depth，則兩者必須匹配：len(num_cells) 必須等於 depth。

• num_cells (int 或 int 序列, optional) – 輸入和輸出之間每層的單元數量。如果提供一個整數，則每層將具有相同數量的單元，並且深度將從 depth 中獲取。如果提供一個可迭代物件，則線性層的 out_features 將與 num_cells 的內容匹配。預設為 [32, 32, 32]，如果 depth 不為 None，則預設為 [32] * depth。

• kernel_sizes (int, int 序列, optional) – 卷積網路的核大小。如果是可迭代物件，其長度必須與由 num_cells 或 depth 引數定義的深度匹配。預設為 3。

• strides (int 或 int 序列) – 卷積網路的步長。如果是可迭代物件，其長度必須與由 num_cells 或 depth 引數定義的深度匹配。預設為 1。

• activation_class (Type[nn.Module] 或 callable) – 要使用的啟用類或建構函式。預設為 ELU。

• activation_kwargs (dict 或 dict 列表, optional) – 與啟用類一起使用的關鍵字引數。也可以提供一個長度為 depth 的關鍵字引數列表，每層一個元素。

• norm_class (Type 或 callable, optional) – 歸一化類，如果存在。

• norm_kwargs (dict 或 dict 列表, optional) – 與歸一化層一起使用的關鍵字引數。也可以提供一個長度為 depth 的關鍵字引數列表，每層一個元素。

• bias_last_layer (bool) – 如果為 True，則最後一個線性層將具有一個偏置引數。預設為 True。

• aggregator_class (Type[nn.Module] 或 callable) – 在鏈末端使用的聚合器類或建構函式。預設為 SquashDims。

• aggregator_kwargs (dict, optional) – aggregator_class 建構函式的關鍵字引數。

• squeeze_output (bool) – 輸出是否應壓縮其單例維度。預設為 False。

• device (torch.device, optional) – 建立模組所在的裝置。

示例

>>> # All of the following examples provide valid, working MLPs
>>> cnet = Conv3dNet(in_features=3, depth=1, num_cells=[32,])
>>> print(cnet)
Conv3dNet(
    (0): Conv3d(3, 32, kernel_size=(3, 3, 3), stride=(1, 1, 1))
    (1): ELU(alpha=1.0)
    (2): SquashDims()
)
>>> cnet = Conv3dNet(in_features=3, depth=4, num_cells=32)
>>> print(cnet)
Conv3dNet(
    (0): Conv3d(3, 32, kernel_size=(3, 3, 3), stride=(1, 1, 1))
    (1): ELU(alpha=1.0)
    (2): Conv3d(32, 32, kernel_size=(3, 3, 3), stride=(1, 1, 1))
    (3): ELU(alpha=1.0)
    (4): Conv3d(32, 32, kernel_size=(3, 3, 3), stride=(1, 1, 1))
    (5): ELU(alpha=1.0)
    (6): Conv3d(32, 32, kernel_size=(3, 3, 3), stride=(1, 1, 1))
    (7): ELU(alpha=1.0)
    (8): SquashDims()
)
>>> cnet = Conv3dNet(in_features=3, num_cells=[32, 33, 34, 35])  # defines the depth by the num_cells arg
>>> print(cnet)
Conv3dNet(
    (0): Conv3d(3, 32, kernel_size=(3, 3, 3), stride=(1, 1, 1))
    (1): ELU(alpha=1.0)
    (2): Conv3d(32, 33, kernel_size=(3, 3, 3), stride=(1, 1, 1))
    (3): ELU(alpha=1.0)
    (4): Conv3d(33, 34, kernel_size=(3, 3, 3), stride=(1, 1, 1))
    (5): ELU(alpha=1.0)
    (6): Conv3d(34, 35, kernel_size=(3, 3, 3), stride=(1, 1, 1))
    (7): ELU(alpha=1.0)
    (8): SquashDims()
)
>>> cnet = Conv3dNet(in_features=3, num_cells=[32, 33, 34, 35], kernel_sizes=[3, 4, 5, (2, 3, 4)])  # defines kernels, possibly rectangular
>>> print(cnet)
Conv3dNet(
    (0): Conv3d(3, 32, kernel_size=(3, 3, 3), stride=(1, 1, 1))
    (1): ELU(alpha=1.0)
    (2): Conv3d(32, 33, kernel_size=(4, 4, 4), stride=(1, 1, 1))
    (3): ELU(alpha=1.0)
    (4): Conv3d(33, 34, kernel_size=(5, 5, 5), stride=(1, 1, 1))
    (5): ELU(alpha=1.0)
    (6): Conv3d(34, 35, kernel_size=(2, 3, 4), stride=(1, 1, 1))
    (7): ELU(alpha=1.0)
    (8): SquashDims()
)

forward(inputs: Tensor) → Tensor

定義每次呼叫時執行的計算。

應由所有子類重寫。

注意

儘管前向傳播的實現需要在該函式內定義，但之後應呼叫 Module 例項而非此函式本身，因為前者負責執行註冊的鉤子，而後者會默默忽略它們。