td0_return_estimate

class torchrl.objectives.value.functional.td0_return_estimate(gamma: float, next_state_value: torch.Tensor, reward: torch.Tensor, terminated: torch.Tensor | None = None, *, done: torch.Tensor | None = None)

軌跡的 TD(0) 折扣回報估計。

也稱為自舉時間差分或一步回報。

引數:

• gamma (scalar) – 指數平均折扣。

• next_state_value (Tensor) – 使用 new_state 輸入的值函式結果。必須是 [Batch x TimeSteps x 1] 或 [Batch x TimeSteps] 張量

• reward (Tensor) – 在環境中採取行動的獎勵。必須是 [Batch x TimeSteps x 1] 或 [Batch x TimeSteps] 張量

• terminated (Tensor) – 劇集結束的布林標誌。如果未提供，則預設為 done。

關鍵字引數:

done (Tensor) – 已廢棄。請改用 terminated。

所有張量（values、reward 和 done）必須具有 [*Batch x TimeSteps x *F] 的形狀，其中 *F 是特徵維度。