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

PyTorch implementations of Deep reinforcement learning algorithms.

ویژگی	مقدار
سیستم عامل	-
نام فایل	deepair-0.2.0
نام	deepair
نسخه کتابخانه	0.2.0
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Son Nguyen Huu
ایمیل نویسنده	sonnhfit@gmail.com
آدرس صفحه اصلی	https://github.com/sonnhfit/deepair
آدرس اینترنتی	https://pypi.org/project/deepair/
مجوز	MIT

# Deepair is a Deep Reinforcement Learning library [![PyPI version](https://badge.fury.io/py/deepair.svg)](https://badge.fury.io/py/deepair) [![Documentation Status](https://readthedocs.org/projects/deepair/badge/?version=latest)](https://deepair.readthedocs.io/en/latest/?badge=latest) Deepair implementations of reinforcement learning algorithms. It focus on DRL algorithms and implementing the latest advancements in DRL. Highly customizable support for training processes. Suitable for the research and application of the latest technologies in reinforcement learning. # Features # Documentation Documentation is available: [https://deepair.readthedocs.io/](https://deepair.readthedocs.io/) # Installation ``` pip install deepair ``` or ``` pip install git+https://github.com/sonnhfit/deepair.git ``` # Example ```python import gym from deepair.dqn import Rainbow env = gym.make('LunarLander-v2') rain = Rainbow(env=env, memory_size=10000, batch_size=32, target_update=256) rain.train(timesteps=200000) # test state = env.reset() done = False score = 0 while not done: action = rain.select_action(state, deterministic=True) next_state, reward, done = env.step(action) state = next_state score += reward print("score: ", score) ``` ![rainbow lunalander env](docs/source/_static/img/rainbow_lunalander.gif) # Implemented Algorithms # Tutorial # How To Contribute

زبان مورد نیاز

مقدار	نام
>=3.7.*	Python

نحوه نصب

نصب پکیج whl deepair-0.2.0:

pip install deepair-0.2.0.whl

نصب پکیج tar.gz deepair-0.2.0:

pip install deepair-0.2.0.tar.gz