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 = None, time_dim: int = - 2)

TD(1) 优势估计。

参数:

• gamma (标量) – 指数平均折扣。

• state_value (Tensor) – 使用 old_state 输入的值函数结果。

• next_state_value (Tensor) – 使用 new_state 输入的值函数结果。

• reward (Tensor) – 在环境中采取动作的奖励。

• done (Tensor) – 轨迹结束的布尔标志。

• terminated (Tensor) – 剧集结束的布尔标志。如果未提供，则默认为 done。

• rolling_gamma (bool, optional) –

  如果为 True，则假设 gamma 张量中的每个 gamma 都绑定到单个事件

  >>> 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,
  ... ]
  

  如果为 False，则假设每个 gamma 都绑定到即将到来的轨迹

  >>> 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,
  ... ]
  

  默认为 True。

• time_dim (int) – 时间展开的维度。默认为 -2。

所有张量（值、奖励和结束标志）都必须具有形状 [*Batch x TimeSteps x *F]，其中 *F 是特征维度。