معرفی شرکت ها
abcdrl-0.2.0a4
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 بیشترتوضیحات
Modular Single-file Reinfocement Learning Algorithms Library
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | abcdrl-0.2.0a4 |
| نام | abcdrl |
| نسخه کتابخانه | 0.2.0a4 |
| نگهدارنده | ['Adam Zhao'] |
| ایمیل نگهدارنده | ['pazyx728@gmail.com'] |
| نویسنده | Adam Zhao |
| ایمیل نویسنده | pazyx728@gmail.com |
| آدرس صفحه اصلی | https://abcdrl.xyz/ |
| آدرس اینترنتی | https://pypi.org/project/abcdrl/ |
| مجوز | MIT |
# **abcdRL** (Implement a RL algorithm in four simple steps)
English | [简体中文](./README.cn.md)
[](https://github.com/sdpkjc/abcdrl)
[](https://github.com/sdpkjc/abcdrl/actions/workflows/test.yml)
[](https://github.com/sdpkjc/abcdrl/actions/workflows/pre-commit.yml)
[](https://pypi.org/project/abcdrl)
[](https://hub.docker.com/r/sdpkjc/abcdrl/)
[](https://docs.abcdrl.xyz/)
[](https://gitpod.io/#https://github.com/sdpkjc/abcdrl)
[](https://report.abcdrl.xyz/)
[](https://gitee.com/sdpkjc/abcdrl/)
[](http://mypy-lang.org/)
[](https://github.com/psf/black)
[](https://pycqa.github.io/isort/)
[](https://pypi.org/project/abcdrl)
abcdRL is a **Modular Single-file Reinforcement Learning Algorithms Library** that provides modular design without strict and clean single-file implementation.
<img src="https://abcdrl.xyz/logo/adam.svg" width="300"/>
*When reading the code, understand the full implementation details of the algorithm in the single file quickly; When modifying the algorithm, benefiting from a lightweight modular design, only need to focus on a small number of modules.*
> abcdRL mainly references the single-file design philosophy of [vwxyzjn/cleanrl](https://github.com/vwxyzjn/cleanrl/) and the module design of [PaddlePaddle/PARL](https://github.com/PaddlePaddle/PARL/).
***Documentation ➡️ [docs.abcdrl.xyz](https://abcdrl.xyz)***
***Roadmap🗺️ [#57](https://github.com/sdpkjc/abcdrl/issues/57)***
## 🚀 Quickstart
Open the project in Gitpod🌐 and start coding immediately.
[](https://gitpod.io/#https://github.com/sdpkjc/abcdrl)
Using Docker📦:
```bash
# 0. Prerequisites: Docker & Nvidia Drive & NVIDIA Container Toolkit
# 1. Run DQN algorithm
docker run --rm --gpus all sdpkjc/abcdrl python abcdrl/dqn.py
```
***[For detailed installation instructions 👀](https://docs.abcdrl.xyz/install/)***
## 🐼 Features
- 👨👩👧👦 Unified code structure
- 📄 Single-file implementation
- 🐷 Low code reuse
- 📐 Minimizing code differences
- 📈 Tensorboard & Wandb support
- 🛤 PEP8(code style) & PEP526(type hint) compliant
## 🗽 Design Philosophy
- "Copy📋", ~~not "Inheritance🧬"~~
- "Single-file📜", ~~not "Multi-file📚"~~
- "Features reuse🛠", ~~not "Algorithms reuse🖨"~~
- "Unified logic🤖", ~~not "Unified interface🔌"~~
## ✅ Implemented Algorithms
***Weights & Biases Benchmark Report ➡️ [report.abcdrl.xyz](https://report.abcdrl.xyz)***
- [Deep Q Network (DQN)](https://doi.org/10.1038/nature14236)
- [Deep Deterministic Policy Gradient (DDPG)](http://arxiv.org/abs/1509.02971)
- [Twin Delayed Deep Deterministic Policy Gradient (TD3)](http://arxiv.org/abs/1802.09477)
- [Soft Actor-Critic (SAC)](http://arxiv.org/abs/1801.01290)
- [Proximal Policy Optimization (PPO)](http://arxiv.org/abs/1802.09477)
---
- [Double Deep Q Network (DDQN)](http://arxiv.org/abs/1509.06461)
- [Prioritized Deep Q Network (PDQN)](http://arxiv.org/abs/1511.05952)
## Citing abcdRL
```bibtex
@misc{zhao_abcdrl_2022,
author = {Yanxiao, Zhao},
month = {12},
title = {{abcdRL: Modular Single-file Reinforcement Learning Algorithms Library}},
url = {https://github.com/sdpkjc/abcdrl},
year = {2022}
}
```
نیازمندی
| مقدار | نام |
|---|---|
| >=2.10.0,<3.0.0 | tensorboard |
| >=3.0 | opencv-python |
| >=1.0.0 | moviepy |
| ==2.1.3.dev8 | pygame |
| >=0.27.0,<0.28.0 | gymnasium |
| >=0.13.7,<0.14.0 | wandb |
| >=0.1.0,<0.2.0 | combine_signatures |
| >=0.3.6,<0.4.0 | dill |
| >=0.5.0,<0.6.0 | fire |
| >=1.12.1,<2.0.0 | torch |
| >=0.1.0,<1.0 | shimmy[atari] |
| >=0.4.2,<0.5.0 | autorom[accept-rom-license] |
| >=2.3.1.post1 | mujoco |
| >=2.1,<2.2 | mujoco-py |
| >=2.14.1 | imageio |
| ==2.1.6 | free-mujoco-py |
زبان مورد نیاز
| مقدار | نام |
|---|---|
| >=3.8,<3.11 | Python |
نحوه نصب
نصب پکیج whl abcdrl-0.2.0a4:
pip install abcdrl-0.2.0a4.whl
نصب پکیج tar.gz abcdrl-0.2.0a4:
pip install abcdrl-0.2.0a4.tar.gz