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

A library for Reinforcement Learning

ویژگی	مقدار
سیستم عامل	-
نام فایل	anyrl-0.9.0
نام	anyrl
نسخه کتابخانه	0.9.0
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Alex Nichol
ایمیل نویسنده	unixpickle@gmail.com
آدرس صفحه اصلی	https://github.com/unixpickle/anyrl-py
آدرس اینترنتی	https://pypi.org/project/anyrl/
مجوز	BSD

# anyrl-py This is a Python remake (and makeover) of [anyrl](https://github.com/unixpickle/anyrl). It is a general-purpose library for Reinforcement Learning which aims to be as modular as possible. # Installation You can install anyrl with pip: ``` pip install anyrl ``` # APIs There are several different sub-modules in anyrl: * `models`: abstractions and concrete implementations of RL models. This includes actor-critic RNNs, MLPs, CNNs, etc. Takes care of sequence padding, BPTT, etc. * `envs`: APIs for dealing with environments, including wrappers and asynchronous environments. * `rollouts`: APIs for gathering and manipulating batches of episodes or partial episodes. Many RL algorithms include a "gather trajectories" step, and this sub-module fulfills that role. * `algos`: well-known learning algorithms like policy gradients or PPO. Also includes mini-algorithms like Generalized Advantage Estimation. * `spaces`: tools for using action and observation spaces. Includes parameterized probability distributions for implementing stochastic policies. # Motivation Currently, most RL code out there is very restricted and not properly decoupled. In contrast, anyrl aims to be extremely modular and flexible. The goal is to decouple agents, learning algorithms, trajectories, and things like GAE. For example, anyrl decouples rollouts from the learning algorithm (when possible). This way, you can gather rollouts in several different ways and still feed the results into one learning algorithm. Further, and more obviously, you don't have to rewrite rollout code for every new RL algorithm you implement. However, algorithms like A3C and Evolution Strategies may have specific ways of performing rollouts that can't rely on the rollout API. # Use of TensorFlow This project relies on TensorFlow for models and training algorithms. However, anyrl APIs are framework-agnostic when possible. For example, the rollout API can be used with any policy, whether it's a TensorFlow neural network or a native-Python decision forest. # Style I use `autopep8` and `flake8`. Here is the command you can use to run autopep8: ``` autopep8 --recursive --in-place --max-line-length 100 . ``` I recommend the following flag for flake8: `--max-line-length=100`

نیازمندی

مقدار	نام
<2.0.0,>=1.0.0	numpy
>=0.4.0	cloudpickle
<0.11.0,>=0.9.6	gym
<0.24.0,>=0.20.0	pandas
<3.0.0,>=2.0.0)	mpi4py
>=1.0.0)	tensorflow
>=1.0.0)	tensorflow-gpu

نحوه نصب

نصب پکیج whl anyrl-0.9.0:

pip install anyrl-0.9.0.whl

نصب پکیج tar.gz anyrl-0.9.0:

pip install anyrl-0.9.0.tar.gz