关于buffer数据处理方式的疑问

[linshuxi]

您好，非常感谢您提供的源码，学到了很多。在buffer的处理中，有这样一段代码，它先将数据transpose成（1，2，0，...）格式，然后又做了一个reshape的行为。请问transpose这个数据步骤是必要的吗？我做了一个实验，发现直接将数据进行reshape操作，不进行transpose的动作，对结果没有什么影响。我猜测您是希望打乱数据，不知道这种想法对不对。

 @staticmethod
    def _cast(x: np.ndarray):
        return x.transpose(1, 2, 0, *range(3, x.ndim)).reshape(-1, *x.shape[3:])

[ASh-en]

我这用obs尝试说说我是怎么理解为什么要这个操作的：

# obs初始化结构维度依次是时间步，环境，智能体，然后接基本状态S的形状
self.obs = np.zeros((self.buffer_size + 1, self.n_rollout_threads, self.num_agents, *obs_shape), dtype=np.float32)
# 经过函数_cast()操作后，得到的是一个以S为基本元素的列表
obs = ReplayBuffer._cast(buf.obs）
# 也就是obs=[S_1,S_2,S_3,........,S_n]
#这里的相邻的两个S_1，S_2大概率(只有reshape降维度前分属不同维度的部分不是)是同一个环境下的同一个智能体的两个连续时间步的状态。
# 而如果不进行transpose，这里的两个S_1，S_2大概率是同一个时间步下的同一个环境的两个连续智能体的状态，也就是说此时的两个状态间是没有时间相关性的。
# 这样的话，按照data_chunk_length长度取出来的一个chunk间也是没有时间相关性的，后面进行的rnn训练过程也就没有理论依据了