tensordict.nn.distributions.AddStateIndependentNormalScale

類 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)

一個新增可訓練的與狀態無關的尺度引數的 nn.Module。

尺度引數使用指定的 scale_mapping 對映到正值。

引數:

scale_shape (torch.Size 或 等效型別, 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 std 的正對映函式。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) – 尺度是應該是引數 (True) 還是 buffer (False)。預設為 True。

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()