reward2go

class torchrl.objectives.value.functional.reward2go(reward, done, gamma, *, time_dim: int = - 2)

计算给定多个轨迹和回合结束的奖励的折扣累积和。

参数:

• reward (torch.Tensor) – 一个张量，包含在多个轨迹的每个时间步接收到的奖励。

• done (Tensor) – 回合结束的布尔标志。与 truncated 不同，truncated 是回合未结束但被中断。

• gamma (float, optional) – 用于计算奖励折扣累积和的折扣因子。默认为 1.0。

• time_dim (int) – 时间展开的维度。默认为 -2。

返回:

一个形状为 [B, T] 的张量，包含每个时间步的折扣累积

奖励（reward-to-go）。

返回类型:

torch.Tensor

示例

>>> reward = torch.ones(1, 10)
>>> done = torch.zeros(1, 10, dtype=torch.bool)
>>> done[:, [3, 7]] = True
>>> reward2go(reward, done, 0.99, time_dim=-1)
tensor([[3.9404],
        [2.9701],
        [1.9900],
        [1.0000],
        [3.9404],
        [2.9701],
        [1.9900],
        [1.0000],
        [1.9900],
        [1.0000]])