Awesome GitHub RepositoriesAlgorithm Benchmarking Libraries

Baselines is a comprehensive suite of frameworks for reinforcement learning algorithm implementation, imitation learning, and training orchestration. It provides a library of standardized learning algorithms used to benchmark and replicate research results, alongside a deep learning policy framework for constructing neural network architectures such as multi-layer perceptrons, convolutional networks, and long short-term memory networks. The project includes a specialized imitation learning toolkit that enables agents to mimic expert behavior through behavior cloning and generative adversarial

هذا المشروع عبارة عن مكتبة وإطار عمل للذكاء الاصطناعي القابل للتفسير لرؤية الحاسوب لـ PyTorch، يوفر مجموعة من الأدوات لتصور وتدقيق عمليات صنع القرار الداخلية للشبكات العصبية العميقة. يعمل كأداة إسناد للشبكة العصبية وأداة تصحيح أخطاء لتحديد مناطق الصورة التي تدفع تنبؤات النموذج. تتميز المكتبة بدعمها لطرق الإسناد القائمة على التدرج وغير القائمة على التدرج، مما يسمح بتوليد خرائط حرارية مرئية وخرائط إسناد دون الحاجة إلى تعديلات على كود مصدر النموذج الأصلي. وتتميز أيضاً باكتشاف المفهوم المرئي، باستخدام تحليل المصفوفة لتفكيك التنشيطات الداخلية إلى أنماط قابلة للتفسير ورسم خرائط التضمينات الكامنة لأهمية البكسل. يغطي إطار العمل مجموعة واسعة من القدرات بما في ذلك توليد الخرائط الحرارية وتحسينها، والتحويل المكاني لبنيات مثل محولات الرؤية، والتكيفات لأهداف الرؤية متعددة المهام مثل اكتشاف الكائنات والتجزئة الدلالية. يتضمن أيضاً مجموعة تقييم دقة النموذج التي تستخدم تحليل الاضطراب، ودراسات الاستئصال، وقياسات التوطين لتحديد مدى إخلاص التفسيرات المولدة. يوفر المشروع آليات لربط التنشيط الديناميكي، وتكيف البنية المخصص، وتكوين الهدف الموجه لربط أدوات القابلية للتفسير بمخرجات النماذج المختلفة.

Captum is an open-source library for explaining model predictions by attributing them to input features, neurons, and layers using gradient-based and perturbation-based methods. It provides a modular framework for implementing, evaluating, and combining a range of explanation techniques, including gradient-based attribution, perturbation-based analysis, game-theoretic Shapley value approximation, and surrogate model explanations, with support for parallelization and noise stabilization. The library distinguishes itself through its breadth of attribution methods and its support for advanced in

هذا المشروع عبارة عن مكتبة PyTorch للتعلم التعزيزي وإطار عمل لتدريب الوكلاء. يوفر مجموعة من خوارزميات التعلم التعزيزي العميق، بما في ذلك DQN و PPO و SAC، لتسهيل تطوير وكلاء مستقلين يحسنون سلوكهم من خلال التجربة والخطأ. تركز المكتبة على تنفيذ طرق الممثل-الناقد (actor-critic) المختلفة وبنى التعلم العميق للبحث في اتخاذ القرار المستقل. وتمكن من تدريب وكلاء أذكياء داخل بيئات متنوعة من خلال الاستفادة من تطبيقات النماذج القائمة على PyTorch. يغطي الكود المصدري قدرات التعلم التعزيزي الأساسية، بما في ذلك تحسين تدرج السياسة، ومخازن إعادة تجربة الخبرة، وفصل الشبكة المستهدفة. كما يدعم التدريب غير المتزامن متعدد العمال وأخذ عينات السياسة العشوائية لإدارة تقارب الوكيل واستكشاف البيئة.

Acme هو إطار عمل ومحرك تنفيذ للتعلم التعزيزي (Reinforcement Learning)، مصمم لتطوير وقياس أداء خوارزميات التعلم. يوفر مكتبة من المكونات النمطية وتطبيقات مرجعية تُستخدم لبناء الوكلاء (Agents) وتحديد معايير الأداء. يُمكّن النظام من توسيع نطاق معماريات الوكلاء من التنفيذ أحادي المسار إلى بيئات موزعة واسعة النطاق. وهذا يسمح بالانتقال من مرحلة النماذج الأولية إلى التنفيذ الموزع للتدريب والتقييم. يغطي إطار العمل تطوير التعلم التعزيزي ونمذجة معماريات الوكلاء، موفراً اللبنات الأساسية اللازمة لمقارنة النماذج الجديدة مقابل وكلاء مرجعيين قياسيين.

RLcard is an open-source framework for developing and evaluating reinforcement learning agents across multiple card game environments. It functions as a card game environment simulator, a multi-agent RL platform, and a benchmarking toolkit for algorithms like DQN, NFSP, and CFR. The framework provides a game-agnostic environment interface that decouples agent logic from game mechanics, allowing any policy to interact through a common API. It supports pluggable reinforcement learning algorithms that operate on this interface without modifying game logic, and includes a self-play training loop

This project is a collection of pretrained reinforcement learning agents and training scripts built on Stable Baselines3 and Gymnasium. It provides a framework for training agents to solve specific tasks, managing experiment reproducibility, and deploying pretrained models. The system includes a specialized benchmarking suite and optimization tools for tuning agent settings. It utilizes automated search spaces and distributed trials to maximize performance, while employing bootstrap sampling to generate statistically robust performance metrics and confidence intervals. Broad capabilities cov