td1_advantage_estimate

class torchrl.objectives.value.functional.td1_advantage_estimate(gamma: float, state_value: torch.Tensor, next_state_value: torch.Tensor, reward: torch.Tensor, done: torch.Tensor, terminated: torch.Tensor | None = None, rolling_gamma: bool = None, time_dim: int = - 2)

TD(1) 優勢估計。

引數:

• gamma (標量) – 指數平均折扣。

• state_value (Tensor) – 輸入舊狀態 (old_state) 的值函式結果。

• next_state_value (Tensor) – 輸入新狀態 (new_state) 的值函式結果。

• reward (Tensor) – 在環境中採取行動的獎勵。

• done (Tensor) – 表示軌跡結束的布林標誌。

• terminated (Tensor) – 表示幕 (episode) 結束的布林標誌。如果未提供，預設為 done。

• rolling_gamma (bool, 可選) –

  如果為 True，則假定 gamma 張量中的每個 gamma 都與一個單一事件關聯。

  >>> gamma = [g1, g2, g3, g4]
  >>> value = [v1, v2, v3, v4]
  >>> return = [
  ...   v1 + g1 v2 + g1 g2 v3 + g1 g2 g3 v4,
  ...   v2 + g2 v3 + g2 g3 v4,
  ...   v3 + g3 v4,
  ...   v4,
  ... ]
  

  如果為 False，則假定每個 gamma 都與即將到來的軌跡關聯。

  >>> gamma = [g1, g2, g3, g4]
  >>> value = [v1, v2, v3, v4]
  >>> return = [
  ...   v1 + g1 v2 + g1**2 v3 + g**3 v4,
  ...   v2 + g2 v3 + g2**2 v4,
  ...   v3 + g3 v4,
  ...   v4,
  ... ]
  

  預設為 True。

• time_dim (int) – 時間展開所在的維度。預設為 -2。

所有張量（值、獎勵和完成標誌）必須具有形狀 [*Batch x TimeSteps x *F]，其中 *F 是特徵維度。