معرفی شرکت ها

dm-robotics-agentflow-0.5.0

Card image cap
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
Card image cap
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
Card image cap
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
Card image cap
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
Card image cap
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
0.5.0
0.4.0
0.3.0
0.2.0
0.1.0
0.0.4
0.0.3
0.0.1rc1

توضیحات

Tools for single-embodiment, multiple-task, Reinforcement Learning
ویژگی مقدار
سیستم عامل -
نام فایل dm-robotics-agentflow-0.5.0
نام dm-robotics-agentflow
نسخه کتابخانه 0.5.0
نگهدارنده []
ایمیل نگهدارنده []
نویسنده DeepMind
ایمیل نویسنده -
آدرس صفحه اصلی https://github.com/deepmind/dm_robotics/tree/main/py/agentflow
آدرس اینترنتی https://pypi.org/project/dm-robotics-agentflow/
مجوز Apache 2.0
# AgentFlow: A Modular Toolkit for Scalable RL Research <!--* B 2021-07-21 internal placeholder *--> ## Overview `AgentFlow` is a library for composing Reinforcement-Learning agents. The core features that AgentFlow provides are: 1. tools for slicing, transforming, and composing *specs* 2. tools for encapsulating and composing RL-tasks. Unlike the standard RL setup, which assumes a single environment and an agent, `AgentFlow` is designed for the single-embodiment, multiple-task regime. This was motivated by the robotics use-case, which frequently requires training RL modules for various skills, and then composing them (possibly with non-learned controllers too). Instead of having to implement a separate RL environment for each skill and combine them ad hoc, with `AgentFlow` you can define one or more `SubTasks` which *modify* a timestep from a single top-level environment, e.g. adding observations and defining rewards, or isolating a particular sub-system of the environment, such as a robot arm. You then *compose* SubTasks with regular RL-agents to form modules, and use a set of graph-building operators to define the flow of these modules over time (hence the name `AgentFlow`). The graph-building step is entirely optional, and is intended only for use-cases that require something like a (possibly learnable, possibly stochastic) state-machine. <!-- Internal placeholder C --> ### [Components](docs/components.md) ### [Control Flow](docs/control_flow.md) ### [Examples](docs/examples.md) <!-- Internal placeholder D -->


نیازمندی

مقدار نام
- dm-robotics-transformations
- dm-robotics-geometry
>=1.16.0 numpy
==1.0.9 dm-control
==2.3.1.post1 mujoco
<=4.6.0.66,>=3.4.0 opencv-python
>=20.3.0 attrs
>=1.2.4 pydot
>=3.7.4 typing-extensions


زبان مورد نیاز

مقدار نام
>=3.7, <3.11 Python


نحوه نصب


نصب پکیج whl dm-robotics-agentflow-0.5.0:

    pip install dm-robotics-agentflow-0.5.0.whl


نصب پکیج tar.gz dm-robotics-agentflow-0.5.0:

    pip install dm-robotics-agentflow-0.5.0.tar.gz