5 dépôts
Awesome GitHub RepositoriesReinforcement Learning Training Loops
Specialized training processes that include state-transition recording and experience replay for RL agents.
Distinct from Neural Network Training Frameworks: Distinct from Neural Network Training Frameworks: specifically handles the episodic and transition-based nature of RL learning.
Explore 5 awesome GitHub repositories matching artificial intelligence & ml · Reinforcement Learning Training Loops. Refine with filters or upvote what's useful.
Awesome Reinforcement Learning Training Loops GitHub Repositories
Trouvez les meilleurs dépôts grâce à l'IA.Nous recherchons les dépôts les plus pertinents grâce à l'IA.
- morvanzhou/reinforcement-learning-with-tensorflow
MorvanZhou/Reinforcement-learning-with-tensorflow
9,464Voir sur GitHubThis project is an educational repository of reinforcement learning agents and tutorials implemented using TensorFlow. It provides a practical codebase for both model-free and model-based learning agents, designed to demonstrate how AI agents learn through trial and error. The collection features detailed implementations of various algorithmic approaches, including Deep Q-Networks and Policy Gradient methods. It specifically covers Actor-Critic architectures for continuous and discrete action spaces, alongside Proximal Policy Optimization and Deep Deterministic Policy Gradients. The framewor
Stores state transitions and updates neural networks to optimize action selection through experience replay.
Pythona3cactor-criticasynchronous-advantage-actor-critic - suragnair/alpha-zero-general
suragnair/alpha-zero-general
4,471Voir sur GitHubCe projet est un framework d'apprentissage par renforcement et un moteur d'IA de jeu conçu pour entraîner des agents antagonistes dans des jeux au tour par tour à deux joueurs. Il implémente une boucle d'entraînement qui utilise le self-play et la recherche arborescente de Monte Carlo pour produire des réseaux de neurones capables de prédire la force du plateau et les probabilités de coup. Le système découple le moteur d'apprentissage par renforcement des règles de jeu spécifiques via une interface de logique de jeu abstraite, permettant la définition de règles de jeu personnalisées, de conditions de victoire et de représentations de plateau. Il prend en charge l'intégration avec divers frameworks d'apprentissage profond pour servir de fonctions de politique et de valeur et inclut une architecture de réseau de neurones à double tête pour prédire à la fois les résultats attendus et les distributions de coups légaux. Le framework couvre un large éventail de capacités, notamment l'encodage de l'état du jeu, la gestion des points de contrôle des modèles et le suivi des métriques d'entraînement. Il fournit des outils pour évaluer la performance des agents via des simulations de tournois, des interfaces humain-agent et un protocole textuel pour se connecter à des moteurs de jeu externes. Les modèles entraînés peuvent être exportés vers un format compatible JavaScript pour une utilisation dans des environnements de déploiement basés sur le web.
Implements a complete self-play reinforcement learning loop for training adversarial agents in turn-based games.
Jupyter Notebook - simoninithomas/deep_reinforcement_learning_course
simoninithomas/Deep_reinforcement_learning_Course
3,903Voir sur GitHubCe dépôt sert de cursus éducatif pour apprendre l'apprentissage par renforcement profond (deep reinforcement learning) grâce à des exercices de codage pratiques et structurés. Il fournit un framework pour construire et entraîner des agents autonomes qui apprennent à effectuer des tâches en interagissant avec des environnements simulés et en recevant des retours itératifs. Le projet couvre l'implémentation de modèles de prise de décision utilisant l'approximation de fonction neuronale profonde, l'apprentissage par différence temporelle et l'optimisation de politique basée sur le gradient. Il met l'accent sur l'utilisation de la mémoire tampon d'expérience (experience replay) et la simulation d'environnements vectorisés pour stabiliser l'entraînement et accélérer la collecte de données au sein des processus de décision de Markov. Au-delà des techniques d'entraînement fondamentales, le matériel inclut des ressources pour évaluer les performances des agents par rapport à des benchmarks standardisés et partager des modèles entraînés dans un contexte de recherche collaborative. Le dépôt est conçu pour être utilisé avec des frameworks de machine learning courants, offrant un ensemble complet de tutoriels et d'implémentations pour développer des agents intelligents.
Provides structured training loops for reinforcement learning agents, including state-transition recording and experience replay.
Jupyter Notebooka2cactor-criticdeep-learning - unitreerobotics/unitree_rl_gym
unitreerobotics/unitree_rl_gym
3,378Voir sur GitHubUnitree RL Gym is an integrated software framework designed for the simulation, training, and deployment of motion control policies for legged robotic platforms. It provides a comprehensive environment for developing locomotion strategies for quadruped and humanoid robots by leveraging reinforcement learning algorithms within high-fidelity physics-based simulations. The platform distinguishes itself by offering an end-to-end workflow that bridges the gap between virtual training and physical execution. It includes specialized tools for mapping raw sensor data into normalized state-space obser
Iteratively executes control policies against reward functions to optimize neural network weights based on simulated state transitions.
Python - leggedrobotics/legged_gym
leggedrobotics/legged_gym
3,022Voir sur GitHubLegged Gym is a high-performance simulation platform and toolkit engineered for training autonomous robotic agents in complex, physics-based environments. It provides a comprehensive framework for developing legged locomotion control policies, enabling robots to learn movement strategies for navigating uneven terrain and managing physical disturbances through reinforcement learning. The platform distinguishes itself by utilizing hardware-accelerated physics and headless execution to maximize computational throughput during training. It incorporates a domain randomization pipeline that injects
Provides reinforcement learning training loops to optimize robotic agent policies through iterative simulation, hardware configuration, and performance evaluation.
Python
