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

Fast reinforcement learning research

ویژگی	مقدار
سیستم عامل	-
نام فایل	embodied-0.3.0
نام	embodied
نسخه کتابخانه	0.3.0
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Danijar Hafner
ایمیل نویسنده	mail@danijar.com
آدرس صفحه اصلی	http://github.com/danijar/embodied
آدرس اینترنتی	https://pypi.org/project/embodied/
مجوز	-

[![PyPI](https://img.shields.io/pypi/v/embodied.svg)](https://pypi.python.org/pypi/embodied/#history)   [![Docs](https://readthedocs.org/projects/embodied/badge)](https://embodied.readthedocs.org) # Embodied Fast reinforcement learning research. ## Overview The goal of Embodied is to empower researchers to quickly implement new agents at scale. Embodied achieves this by specifying an interface both for environments and agents, allowing users to mix and match agents, envs, and evaluation protocols. Embodied provides common building blocks that users are encouraged to fork when more control is needed. The only dependency is Numpy and agents can be implemented in any framework. ## Packages ``` embodied/ core/ # Config, logging, checkpointing, simulation, wrappers run/ # Evaluation protocols that combine agents and environments envs/ # Environment suites such as Gym, Atari, DMC, Crafter agents/ # Agent implementations ``` ## Agent API ```python class Agent: @configs -> dict of configs __init__(obs_space, act_space, step, config) dataset(generator) -> generator policy(obs, state=None, mode='train') -> act, state train(data, state=None) -> state, metrics report(data) -> metrics ``` ## Env API ```python class Env: __len__() -> int @obs_space -> dict of spaces @act_space -> dict of spaces step(action) -> obs dict render() -> array close() ```

نحوه نصب

نصب پکیج whl embodied-0.3.0:

pip install embodied-0.3.0.whl

نصب پکیج tar.gz embodied-0.3.0:

pip install embodied-0.3.0.tar.gz