#ppo Repositórios
Descubra 30 repositórios ativos de código aberto no GitHub marcados com #ppo, acumulando um total de 92,298 estrelas (uma média de 3,076 por projeto). O líder deste tópico é datawhalechina/easy-rl, com 14,912 estrelas.
30 repositórios no total
Tutorial de Aprendizagem por Reforço em Chinês (Livro do Cogumelo 🍄), endereço para leitura online: https://datawhalechina.github.io/easy-rl/
Implementação de alta qualidade em arquivo único de algoritmos de Aprendizagem por Reforço Profundo com recursos amigáveis à pesquisa (PPO, DQN, C51, DDPG, TD3, SAC, PPG)
Tutoriais simples de Aprendizagem por Reforço, Ensino de IA em Chinês (莫烦Python)
Repositório para o programa Nanodegree de Aprendizado por Reforço Profundo
🚀 Um currículo de código aberto e prático que preenche a lacuna desde conceitos básicos de RL até alinhamento de LLM, RLVR e sistemas Agentic avançados.
FinRL-X: Infraestrutura Modular Nativa de IA para Trading Quantitativo
Implementação PyTorch limpa, robusta e unificada de algoritmos populares de Aprendizagem por Reforço Profunda (DRL) (Q-learning, Duel DDQN, PER, C51, Noisy DQN, PPO, DDPG, TD3, SAC, ASL)
Implementação mínima do objetivo recortado Proximal Policy Optimization (PPO) em PyTorch
Framework modular de aprendizado por reforço profundo em PyTorch. Biblioteca complementar do livro "Foundations of Deep Reinforcement Learning".
Treinando um robô humanoide para locomoção usando Aprendizado por Reforço
Uma implementação PPO simples e bem estilizada. Baseada na minha série do Medium: https://medium.com/@eyyu/coding-ppo-from-scratch-with-pytorch-part-1-4-613dfc1b14c8.
XuanCe: Uma Biblioteca Abrangente e Unificada de Aprendizado por Reforço Profundo
Policy Gradient é tudo o que você precisa! Um tutorial passo a passo para métodos de PG bem conhecidos.
Uma biblioteca com implementações extensíveis de DPO, KTO, PPO, ORPO e outras funções de perda cientes de humanos (HALOs).
Arquivos iniciais de RL para treinar, visualizar e avaliar imediatamente um agente sem escrever nenhuma linha de código
Este repositório contém a maioria das implementações clássicas de aprendizado por reforço profundo do PyTorch, incluindo - DQN, DDQN, Dueling Network, DDPG, SAC, A2C, PPO, TRPO. (Mais algoritmos estão em andamento)
🌾 OAT: Um framework amigável para pesquisa para alinhamento online de LLMs, incluindo aprendizado por reforço, aprendizado por preferência, etc.
RLAnything (ICML 2026) e AutoTool (ICML 2026), DemyAgent: Aprendizado por reforço de código aberto para LLMs e cenários de agentes
Uma biblioteca PyTorch para construir agentes de aprendizado por reforço profundo.
Ajuste Fino de LLMs fácil e eficiente. (Modelos suportados: LLama, LLama2, LLama3, Qwen, Baichuan, GLM, Falcon) Treinamento e implantação de grandes modelos com quantização eficiente.
Uma lista com curadoria de artigos sobre aprendizado por reforço para geração de vídeo
Aprendizagem por Reforço Profunda (PPO) em Condução Autónoma (Carla) [do zero]
Perguntas Frequentes
Qual é o repositório de #ppo mais popular no GitHub?
O projeto de código aberto de #ppo mais bem classificado no GitHub é datawhalechina/easy-rl, com 14,912 estrelas. Tutorial de Aprendizagem por Reforço em Chinês (Livro do Cogumelo 🍄), endereço para leitura online: https://datawhalechina.github.io/easy-rl/
Quais linguagens de programação são mais usadas nos repositórios de #ppo?
Entre os projetos de #ppo mais bem classificados no GitHub, as linguagens de programação mais comuns são Python, Jupyter Notebook.
Como é calculada a classificação dos repositórios de #ppo?
Acompanhamos 30 repositórios ativos de código aberto marcados com #ppo (com mais de 500 estrelas), totalizando 92,298 estrelas e uma média de 3,076 estrelas por repositório. As classificações são atualizadas diariamente a partir da API do GitHub.