#deep-reinforcement-learning Repositories
Insgesamt 99 Repositories
Eine TensorFlow-Implementierung dieses Nvidia-Papers: https://arxiv.org/pdf/1604.07316.pdf mit einigen Änderungen
Deep Reinforcement Learning Hands-On: Zweite Auflage, veröffentlicht von Packt
Ein Repository ist alles, was für Multi-Agent Reinforcement Learning (MARL) notwendig ist
JMLR: OmniSafe ist ein infrastrukturelles Framework zur Beschleunigung der SafeRL-Forschung.
Reinforcement Learning-Umgebungen für die Verkehrslichtsteuerung mit SUMO. Kompatibel mit Gymnasium, PettingZoo und beliebten RL-Bibliotheken.
Dies ist eine Bibliothek, die mithilfe von Isaac Gym duale geschickte Handmanipulationsaufgaben bereitstellt
Quellcode für das Buch "Reinforcement Learning: Theory and Python Implementation"
[IROS 2024] Lernen der Echtzeit-Ganzkörper-Teleoperation von Mensch zu Humanoide. [CoRL 2024] OmniH2O: Universelle und geschickte Ganzkörper-Teleoperation und -Lernen von Mensch zu Humanoide
Der vollständige Post-Training-Stack für LLMs, plus RL für jedes Problem. SFT, DPO und mehrstufiges agentisches RL mit integrierter evolutionärer Hyperparameteroptimierung.
Leichte Version von MAPPO, die Ihnen hilft, schnell in Ihre lokale Umgebung zu migrieren.
SERL: Eine Softwaresuite für beispielhafte Reinforcement Learning in der Robotik
Code aus dem Buch Deep Reinforcement Learning in Action von Manning, Inc.
Pytorch-Code für das ICLR-2020 Paper "Learning to Explore using Active Neural SLAM"
Das Open-Source-Projekt unitree_il_lerobot ist eine Modifikation des Open-Source-Trainings-Frameworks LeRobot, die das Training und Testen von Daten ermöglicht, die mit den zweiarmigen geschickten Händen des G1-Roboters von Unitree gesammelt wurden.
Lernbasierte Bewegungssteuerung von OpenRobotLab, einschließlich Hybrid-Internem Modell & H-Infinity-Bewegungssteuerung
Dieses Repository enthält die meisten Implementierungen klassischer Deep Reinforcement Learning-Algorithmen von PyTorch, darunter - DQN, DDQN, Dueling Network, DDPG, SAC, A2C, PPO, TRPO. (Weitere Algorithmen sind in Arbeit)
Ein leichtgewichtiges Deep-Reinforcement-Learning-Framework für die Portfolioverwaltung. Dieses Projekt untersucht die Möglichkeit, Deep-Reinforcement-Learning-Algorithmen auf den Aktiemarkthandel in einem hochmodularen und skalierbaren Framework anzuwenden.
Eine Erweiterung der PyMARL-Codebasis, die zusätzliche Algorithmen und Umgebungsunterstützung enthält
Eine PyTorch-Bibliothek zum Erstellen von Agenten für Deep Reinforcement Learning.
ProphitBet ist eine Anwendung zur Vorhersage von Fußballwetten auf Basis maschinellen Lernens. Sie analysiert die Form der Teams, berechnet Spielstatistiken und sagt mithilfe fortschrittlicher Methoden des maschinellen Lernens (ML) die Spielergebnisse voraus. Außerdem bietet sie Wettagenten auf Basis von Deep Reinforcement Learning (DRL), die optimale Wettstrategien erlernen können.
Training transferable end-to-end quadrotor control policies on a laptop in 18 seconds.
Deep Reinforcement Learning (PPO) im autonomen Fahren (Carla) [von Grund auf]
DRLib: Eine prägnante Bibliothek für Deep Reinforcement Learning, die HER, PER und D2SR für fast Off-Policy RL-Algorithmen integriert.
Datei '笔和线段的一种划分.py', Sie müssen nur die K-Linien-Hoch- und Tiefdaten eingeben, um automatisch die Aufteilung in Pinsel, Liniensegmente, Zentrum, Kauf- und Verkaufspunkte sowie Trendtypen zu realisieren. Sie können sh.csv als Eingabedatei verwenden. Lebenslauf siehe.pdf. Die Kraft der Zeit. Manche sagen, die Markttiming sei sehr schwierig, andere sagen, die Aktienauswahl sei einfach, wieder andere sagen, dass die IT-Infrastruktur für statistische Arbitrage sehr wichtig sei. Und einige sagen, das System habe unvorhersehbare Prinzipien. Die Meinungen sind geteilt. Ein verteiltes System – wenn dein Einfluss vernachlässigbar ist, kannst du es nur realisieren, was der Vorsitzende Jiang so meinte: Leise reich werden. In der ersten Woche fiel der Markt um 1 %, aber ich habe 10.000 verdient, einen Gewinn von 5 %. #Aktien #Börse #Chan-Lun https://v.kuaishou.com/bFEl6M Kopieren Sie diese Nachricht und öffnen Sie 【Kwai】, um anzusehen!
RLGF ist ein allgemeines Trainingsframework, das für UAV-Deep-Reinforcement-Learning-Aufgaben geeignet ist. Es integriert außerdem mehrere gängige Deep-Reinforcement-Learning-Algorithmen (SAC, DQN, DDQN, PPO, Dueling DQN, DDPG).
Ein Framework, bei dem ein Deep Q-Learning Reinforcement Learning-Agent versucht, die richtige Ampelphase an einer Kreuzung zu wählen, um die Verkehrseffizienz zu maximieren.
Yang Le Ge Yang + Tiefes Reinforcement Learning (Deep Reinforcement Learning + 3 Tiles Game)