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

Ce projet est une bibliothèque et un framework d'IA explicable pour la vision par ordinateur pour PyTorch, fournissant une suite d'outils pour visualiser et auditer les processus de prise de décision internes des réseaux de neurones profonds. Il sert d'outil d'attribution de réseau de neurones et d'utilitaire de débogage pour identifier quelles régions d'image conduisent les prédictions du modèle. La bibliothèque se distingue par son support pour les méthodes d'attribution basées sur le gradient et sans gradient, permettant la génération de cartes thermiques visuelles et de cartes d'attribution sans nécessiter de modifications du code source du modèle original. Elle se différencie en outre par la découverte de concepts visuels, utilisant la factorisation de matrice pour décomposer les activations internes en modèles interprétables et cartographier les intégrations latentes à l'importance des pixels. Le framework couvre un large éventail de capacités, notamment la génération et le raffinement de cartes thermiques, la transformation spatiale pour des architectures comme les transformeurs de vision, et des adaptations pour des objectifs de vision multi-tâches tels que la détection d'objets et la segmentation sémantique. Il inclut également une suite d'évaluation de la fidélité du modèle qui utilise l'analyse de perturbation, les études d'ablation et les mesures de localisation pour quantifier la fidélité des explications générées. Le projet fournit des mécanismes pour le hook d'activation dynamique, l'adaptation d'architecture personnalisée et la configuration d'objectifs axée sur la cible pour connecter les outils d'explicabilité à diverses sorties de modèle.

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

Ce projet est une bibliothèque d'apprentissage par renforcement PyTorch et un framework d'entraînement d'agents. Il fournit une suite d'algorithmes d'apprentissage par renforcement profond, incluant DQN, PPO et SAC, pour faciliter le développement d'agents autonomes qui optimisent leur comportement par essais et erreurs. La bibliothèque se concentre sur l'implémentation de diverses méthodes acteur-critique et d'architectures de deep learning pour la recherche sur la prise de décision autonome. Elle permet l'entraînement d'agents intelligents dans divers environnements en tirant parti des implémentations de modèles basées sur PyTorch. La base de code couvre les capacités fondamentales de l'apprentissage par renforcement, notamment l'optimisation par gradient de politique, les tampons de rejeu d'expérience et le découplage des réseaux cibles. Elle prend également en charge l'entraînement asynchrone multi-worker et l'échantillonnage de politique stochastique pour gérer la convergence des agents et l'exploration de l'environnement.

Acme is a reinforcement learning framework and execution engine designed for developing and benchmarking learning algorithms. It provides a library of modular components and reference implementations used to construct agents and establish performance baselines. The system enables the scaling of agent architectures from single-stream execution to large distributed environments. This allows for the transition from initial prototyping to distributed execution for training and evaluation. The framework covers reinforcement learning development and agent architecture prototyping, providing the bu

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