معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Make recommendations for sequential decision problems using offline data

ویژگی	مقدار
سیستم عامل	-
نام فایل	a2rl-1.1.1
نام	a2rl
نسخه کتابخانه	1.1.1
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	AWS/ProServe Global Team
ایمیل نویسنده	-
آدرس صفحه اصلی	https://github.com/awslabs/amazon-accessible-rl-sdk/
آدرس اینترنتی	https://pypi.org/project/a2rl/
مجوز	Apache License 2.0

# Amazon Accessible RL SDK  [ [Documentation](https://awslabs.github.io/amazon-accessible-rl-sdk/) | [PyPI](https://pypi.org/project/a2rl/) ] Amazon Accessible RL (A2RL) is an open-source Python package for [sequential decision making problem](https://en.wikipedia.org/wiki/Sequential_decision_making) using offline time-series data. It focuses on offline RL using state-of-the-art generative transformer technology – the same technology behind [GATO](https://www.deepmind.com/publications/a-generalist-agent), [trajectory transformer](https://trajectory-transformer.github.io/) and [decision transformer](https://arxiv.org/abs/2106.01345). A2RL guides you through problem formulation, conduct [initial data analysis](https://awslabs.github.io/amazon-accessible-rl-sdk/auto-notebooks/data_properties.html) to see if a solution is possible, use the data to train a [simulator](https://awslabs.github.io/amazon-accessible-rl-sdk/auto-notebooks/simulator.html) (aka *digital twin*) based on the data, and providing [recommended actions](https://awslabs.github.io/amazon-accessible-rl-sdk/auto-notebooks/planner_byo_example.html). ## Installation ```bash pip install a2rl ``` ## Usage You should start by formulating your problem into *states*, *actions*, and *rewards* (see the [online documentation](https://awslabs.github.io/amazon-accessible-rl-sdk/)). Then, prepare a dataset that reflects the formulation, using A2RL's [Pandas](https://pandas.pydata.org/)-like API. A synthetic dataset is included to help you quickly jump into the end-to-end workflow: ```python import a2rl as wi from a2rl.utils import plot_information # Load a sample dataset which contains historical states, actions, and rewards. wi_df = wi.read_csv_dataset(wi.sample_dataset_path("chiller")).trim().add_value() wi_df = wi_df.iloc[:1000] # Reduce data size for demo purpose # Checks and analysis plot_information(wi_df) # Train a simulator tokenizer = wi.AutoTokenizer(wi_df, block_size_row=2) builder = wi.GPTBuilder(tokenizer, model_dir="my-model", ) model = builder.fit() simulator = wi.Simulator(tokenizer, model, max_steps=100, reset_coldstart=2) # Get recommended actions given an input context (s,a,r,v,...s). # Context must end with states, and its members must be tokenized. custom_context = simulator.tokenizer.df_tokenized.sequence[:7] recommendation_df = simulator.sample(custom_context, 3) # Show recommendations (i.e., trajectory) recommendation_df ``` ## Help and Support * [Contributing](CONTRIBUTING.md) * Apache-2.0 [License](LICENSE)

نیازمندی

مقدار	نام
-	pandas
-	numpy
-	scikit-learn
-	scipy
-	matplotlib
-	torch
>=4.24.0	tqdm
>=5.1	PyYaml
-	typing-extensions
-	typeguard
-	nptyping
-	loguru
<0.26.0,>=0.23.1	gym
-	seaborn
-	cloudpickle
>=1.5.0	pytorch-lightning
-	ipykernel
-	pre-commit
-	black
-	isort
-	mypy
-	autoflake
-	flake8
-	types-PyYAML
-	types-tqdm
-	types-setuptools
-	ipdb
-	ipywidgets
-	rich
-	sphinx-autobuild
-	bump2version
-	pytest
-	pytest-cov
-	pytest-sphinx
-	safety
-	pytest-lazy-fixture
-	pytest-console-scripts
-	pytest-xdist

زبان مورد نیاز

مقدار	نام
>=3.8.0	Python

نحوه نصب

نصب پکیج whl a2rl-1.1.1:

pip install a2rl-1.1.1.whl

نصب پکیج tar.gz a2rl-1.1.1:

pip install a2rl-1.1.1.tar.gz