注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. ai-traineree:用于（深度）强化学习的PyTorch代理和工具-源码

  2. 实习生 目的是建立一个深度强化学习方法的动物园，并展示它们在某些环境中的应用。 在文档中阅读更多信息： 。 为什么要另选一个？ 主要原因是执行哲学。 我们坚信，代理应该出现在环境中，而不是相反。 大多数流行的实现都将环境实例传递给代理，就像代理是焦点一样。 这可能会简化某些算法的实现，但并不代表世界。 代理想要控制环境，但这并不意味着他们可以/应该。 那，然后使用PyTorch代替Tensorflow或JAX。 快速开始 要开始培训RL代理，您需要三件事：代理，环境和跑步者。 假设您要

  3. 所属分类：其它

    • 发布日期：2021-03-11
    • 文件大小：142336
    • 提供者：weixin_42174098

  1. MineRL-Project-源码

  2. MineRL项目-Minecraft中的深度强化学习 我们测试了DQN和PPO算法。 该代理的目标是在视频游戏环境中导航。 给定摄像机数据作为输入，座席必须走到指定位置。 动作很简单：向前，向后，向左，向右，平移等。 QLearning 针对MineRLNavigateDense-v0环境的深度Q学习。 用法 要测试预训练的网络：运行test.py 训练新网络：运行train.py 依存关系 经过以下培训和测试： Python 3.6 PyTorch 1.0 NumPy 1.15.3 gy

  3. 所属分类：其它

    • 发布日期：2021-03-05
    • 文件大小：3145728
    • 提供者：weixin_42105570

  1. DQN-Pytorch：在Pytorch中实现DQN-源码

  2. DQN-Pytorch 在Pytorch中实现DQN

  3. 所属分类：其它

    • 发布日期：2021-03-02
    • 文件大小：6144
    • 提供者：weixin_42116672

  1. DeepReinforcementLearning：深度RL实施。 在pytorch中实现的DQN，SAC，DDPG，TD3，PPO和VPG。 经过测试的环境：LunarLander-v2和Pendulum-v0-源码

  2. 使用Pytorch实现的深度RL算法 算法列表： 关于深入探讨 实验结果： 算法 离散环境：LunarLander-v2 连续环境：Pendulum-v0 DQN -- VPG -- DDPG -- TD3 -- SAC -- PPO -- 用法： 只需直接运行文件/算法。 在我学习算法时，它们之间没有通用的结构。 不同的算法来自不同的来源。 资源： 未来的项目： 如果有时间，我将为使用RL的电梯添加一个简单的程序。 更好的图形

  3. 所属分类：其它

    • 发布日期：2021-02-13
    • 文件大小：400384
    • 提供者：weixin_42099070

  1. 机器学习：我在PyTorch，Keras，Tensorflow，scikit学习和Python中进行机器学习的项目-源码

  2. 机器学习 我的项目，Kaggle竞赛和一些流行的机器学习算法的实现。 我还列出了我在ML / DL / AI领域策划的研究论文清单。 指数： 内容： 专案 以下是我在机器学习领域完成的项目： 名称 描述 实现不同的强化学习算法，例如DQN，Double-DQN，Dualling-DQN，蒙特卡洛，时间差等。 能够在基于Unity ML-Agents的Banana Collector环境中获得最大回报的Deep-Q Learning代理 深度确定性策略梯度学习代理，能够在基于Unity ML

  3. 所属分类：其它

    • 发布日期：2021-02-05
    • 文件大小：22020096
    • 提供者：weixin_42099633

  1. minimalRL：用最少的代码行实现基本的RL算法！ （基于火炬）-源码

  2. 最小RL 用最少的代码行实现基本的RL算法！ （基于PyTorch） 每种算法都在一个文件中完成。 每个文件的长度最多为100〜150行代码。 即使没有GPU，也可以在30秒内训练每种算法。 Env固定为“ CartPole-v1”。 您可以只关注实现。 演算法 （67行） （98行） （112行，包括重放内存和目标网络） （119条线，包括GAE） （145行，包括OU噪声和软目标更新） （129条线） （149条线） （188条线） （171行）已添加

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：18432
    • 提供者：weixin_42121725

  1. DeepRL_PyTorch：用于研究的深度强化学习代码。 当前，仅存在算法代码：DQN，C51，QR-DQN，IQN和QUOTA-源码

  2. 深度强化学习代码 当前，这里只有用于分布增强学习的代码。 C51，QR-DQN和IQN的代码与略有。 QUOTA是基于算法作者同的工作而实现的。 我最近注意到，我的DQN代码可能无法获得理想的性能，而其他代码却运行良好。 如果有人可以指出我的代码中的错误，我将不胜感激。 随时进行聊天-如果您想讨论任何事情，请给我发送电子邮件。 依赖关系： pytorch（> = 1.0.0） 体育馆（= 0.10.9） 麻木 matplotlib 用法： 为了运行我的代码，您需要在主目录下创建

  3. 所属分类：其它

    • 发布日期：2021-02-02
    • 文件大小：33792
    • 提供者：weixin_42131352

  1. torchrl：强化学习算法的Pytorch实现（软演员评论员（SAC）DDPG TD3 DQN A2C PPO TRPO）-源码

  2. 火炬RL RL方法的Pytorch实现 支持具有连续和离散动作空间的环境。 支持具有1d和3d观察空间的环境。 支持多进程环境 要求 一般要求 火炬1.7 健身房（0.10.9） Mujoco（1.50.1） 列表（用于日志） tensorboardX（日志文件输出） 张量板要求 Tensorflow：启动tensorboard或读取tf记录中的日志 安装 使用use environment.yml创建虚拟环境 conda create -f environment.ym

  3. 所属分类：其它

    • 发布日期：2021-02-01
    • 文件大小：174080
    • 提供者：weixin_42123191

  1. 带有火炬的深度增强学习：DQN，AC，ACER，A2C，A3C，PG，DDPG，TRPO，PPO，SAC，TD3和PyTorch实施...-源码

  2. 状态：活动（在活动开发中，可能会发生重大更改） 该存储库将实现经典且最新的深度强化学习算法。 该存储库的目的是为人们提供清晰的pytorch代码，以供他们学习深度强化学习算法。 将来，将添加更多最先进的算法，并且还将保留现有代码。 要求 python = 0.10 火炬> = 0.4 请注意，tensorflow不支持python3.7 安装 pip install -r requirements.txt 如果失败： 安装健身房 pip install gym 安装pytorc

  3. 所属分类：其它

    • 发布日期：2021-01-30
    • 文件大小：5242880
    • 提供者：weixin_42131443

  1. 强化学习算法：此存储库包含大多数基于pytorch实现的经典深度强化学习算法，包括-DQN，DDQN，Dualling Network，DDPG，SAC，A2C，PPO，TRPO。 （更多算法仍在进行中）-源码

  2. 深度强化学习算法 该存储库将使用PyTorch实现经典的深度强化学习算法。 该存储库的目的是为人们提供清晰的代码，以供他们学习深度强化学习算法。 将来，将添加更多算法，并且还将保留现有代码。 当前实施 深度Q学习网络（DQN） 基本DQN 双Q网络 决斗网络架构 深度确定性策略梯度（DDPG） 优势演员评判（A2C） 信任区域策略梯度（TRPO） 近端政策优化（PPO） 使用克罗内克因素信任区域（ACKTR）的演员评论家 软演员评论（SAC） 更新信息 :triangu

  3. 所属分类：其它

    • 发布日期：2021-01-30
    • 文件大小：3145728
    • 提供者：weixin_42117150