#ppo Dépôts
Découvrez 30 dépôts GitHub open source actifs associés à #ppo, cumulant 92,298 étoiles au total (soit une moyenne de 3,076 étoiles par projet). Le projet en tête de ce thème est datawhalechina/easy-rl, avec 14,912 étoiles.
30 dépôts au total
Tutoriel d'apprentissage par renforcement en français (Livre champignon 🍄), adresse de lecture en ligne : https://datawhalechina.github.io/easy-rl/
Implémentation en un seul fichier de haute qualité d'algorithmes d'apprentissage par renforcement profond avec des fonctionnalités conviviales pour la recherche (PPO, DQN, C51, DDPG, TD3, SAC, PPG)
Tutoriels simples d'apprentissage par renforcement, 莫烦Python enseignement IA en chinois
Dépôt pour le programme Nanodegree en apprentissage par renforcement profond
🚀 Un curriculum open-source et pratique comblant l'écart des concepts RL de base à l'alignement LLM, RLVR et systèmes Agentic avancés.
FinRL-X : Infrastructure modulaire native IA pour le trading quantitatif
Implémentation PyTorch propre, robuste et unifiée d'algorithmes populaires d'apprentissage par renforcement profond (DRL) (Q-learning, Duel DDQN, PER, C51, Noisy DQN, PPO, DDPG, TD3, SAC, ASL)
Implémentation minimale de l'optimisation de politique proximale d'objectif tronqué (PPO) dans PyTorch
Framework modulaire d'apprentissage par renforcement profond en PyTorch. Bibliothèque compagnon du livre "Foundations of Deep Reinforcement Learning".
Entraînement d'un robot humanoïde à la locomotion par apprentissage par renforcement
Une implémentation PPO simple et bien stylisée. Basé sur ma série Medium : https://medium.com/@eyyu/coding-ppo-from-scratch-with-pytorch-part-1-4-613dfc1b14c8.
XuanCe : Une bibliothèque complète et unifiée pour l'apprentissage par renforcement profond
Policy Gradient est tout ce dont vous avez besoin ! Un tutoriel étape par étape pour les méthodes PG bien connues.
Une bibliothèque avec des implémentations extensibles de DPO, KTO, PPO, ORPO et d'autres fonctions de perte axées sur l'humain (HALOs).
Fichiers de démarrage RL afin de former, visualiser et évaluer un agent immédiatement sans écrire une seule ligne de code.
Ce dépôt contient la plupart des implémentations classiques d'apprentissage par renforcement profond de PyTorch, y compris - DQN, DDQN, Dueling Network, DDPG, SAC, A2C, PPO, TRPO. (D'autres algorithmes sont en cours)
🌾 OAT : Un framework convivial pour la recherche sur l'alignement en ligne des LLM, incluant l'apprentissage par renforcement, l'apprentissage par préférence, etc.
RLAnything (ICML 2026) et AutoTool (ICML 2026), DemyAgent : Apprentissage par renforcement open-source pour les LLM et les scénarios d'agents
Une bibliothèque PyTorch pour construire des agents d'apprentissage par renforcement profond.
Ajustement fin facile et efficace des LLM. (Prend en charge LLama, LLama2, LLama3, Qwen, Baichuan, GLM, Falcon) Entraînement et déploiement quantifiés efficaces de grands modèles.
Une liste organisée d'articles sur l'apprentissage par renforcement pour la génération de vidéos
Apprentissage par Renforcement Profond (PPO) en Conduite Autonome (Carla) [à partir de zéro]
Foire aux questions
Quel est le dépôt #ppo le plus populaire sur GitHub ?
Le projet #ppo open source le mieux classé sur GitHub est datawhalechina/easy-rl, avec 14,912 étoiles. Tutoriel d'apprentissage par renforcement en français (Livre champignon 🍄), adresse de lecture en ligne : https://datawhalechina.github.io/easy-rl/
Quels langages de programmation sont les plus utilisés dans les dépôts #ppo ?
Parmi les projets #ppo les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook.
Comment le classement des dépôts #ppo est-il calculé ?
Nous suivons 30 dépôts open source actifs associés à #ppo (500+ étoiles), totalisant 92,298 étoiles, avec une moyenne de 3,076 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.