ray.rllib.policy.policy.Policy.compute_single_action#

计算并返回一个单一（B=1）的动作值。

接受一个输入字典（通常是一个 SampleBatch）作为其主要数据输入。这允许在使用此方法时，如果需要更复杂的输入模式（视图需求），例如当模型需要最后 n 个观察值、最后 m 个动作/奖励，或这些的任何组合时。或者，如果没有复杂的输入需求，则接受单个 obs 值（以及可能的单个状态值、前一个动作/奖励值等）。

参数:

obs – 单一观察。
state – RNN 状态输入列表（如果有）。
prev_action – 如果有的话，前一个动作的值。
prev_reward – 如果有的话，之前的奖励。
info – 信息对象（如果有）。
input_dict – 包含单个（未批处理的）张量以计算动作的 SampleBatch 或输入字典。如果提供，它将代替 obs、state、prev_action|reward 和 info 使用。
episode – 这提供了对所有内部剧情节点的访问，这对于基于模型的或多方代理的算法可能非常有用。
explore – 选择利用还是探索动作（默认：None -> 使用 self.config[“explore”]）。
timestep – 当前（采样）时间步。

关键字参数:

kwargs – 向前兼容占位符。

返回:

由动作、RNN状态输出列表（如果有）和额外特征字典（如果有）组成的元组。