Startseite Projekte pytorch-DRL
pytorch-DRL

pytorch-DRL

von ChenglongChen · GitHub

PyTorch-Implementierungen verschiedener Deep Reinforcement Learning (DRL)-Algorithmen für sowohl Einzelagenten als auch Multi-Agenten.

Auf GitHub ansehen
In einfachen Worten

Erstellen und testen Sie verschiedene Lernagenten, die Entscheidungen basierend auf Belohnungen in unterschiedlichen Umgebungen treffen können.

⭐ Sterne
🍴 Forks
📜 Lizenz
Kommerzielle Nutzung erlaubt
📅 Erstellt
🔄 Letzter Commit
🏷️ Kategorie
💻 Sprache
Betreuen Sie dieses Projekt?

Beanspruchen Sie die Seite: indexiert unabhangig vom Rang, in sechs Sprachen ubersetzt und mit Ihren eigenen Worten erganzt.

Diese Seite beanspruchen →
pytorch-DRL — GitHub preview card
📈 Sternhistorie
618617
2026-07-202026-07-29
📈 pytorch-DRL verfolgen

Erhalten Sie eine E-Mail-Benachrichtigung beim nächsten Release oder wenn es durchstartet.

Kostenlos · ohne Karte · jederzeit abbestellbar
E-Mail-Alerts erhalten →
📄 Über

PyTorch-Implementierungen verschiedener Deep Reinforcement Learning (DRL)-Algorithmen für sowohl Einzelagenten als auch Multi-Agenten.

pytorch-DRL hat 617 Sterne auf GitHub. Es wurde 108-mal geforkt. pytorch-DRL ist hauptsächlich in Python geschrieben. Es wird seit 2017 aktiv entwickelt. pytorch-DRL ist unter der MIT-Lizenz verfügbar. Die Hauptthemen sind: a2c, acktr, actor-critic, advantage-actor-critic.

Frequently asked questions

Was ist pytorch-DRL?

PyTorch-Implementierungen verschiedener Deep Reinforcement Learning (DRL)-Algorithmen für sowohl Einzelagenten als auch Multi-Agenten.

Ist pytorch-DRL Open Source?

pytorch-DRL ist ein Open-Source-Projekt. Es wird unter der MIT-Lizenz veröffentlicht.

Ist pytorch-DRL kostenlos?

Ja. pytorch-DRL ist kostenlos und Open Source — Sie können es nutzen, anpassen und selbst hosten.

Unter welcher Lizenz steht pytorch-DRL?

pytorch-DRL ist unter der MIT-Lizenz verfügbar.

In welcher Sprache ist pytorch-DRL geschrieben?

pytorch-DRL ist hauptsächlich in Python geschrieben.

🏅 Wartender dieses Projekts?
OpenSourceAI badge — pytorch-DRL

Fügen Sie dieses Live-Abzeichen zu Ihrem README hinzu — Ihre GitHub-Sterne und Verzeichnisrang, täglich aktualisiert.

[![OpenSourceAI](https://opensourceai.tech/badge.php?tool=chenglongchen-pytorch-drl)](https://opensourceai.tech/project/chenglongchen-pytorch-drl.html)
Weitere Abzeichenoptionen →
🧬 Teilt DNA mit🧬 DNA-Karte ansehen →
autonomous-learning-library
Eine PyTorch-Bibliothek zum Erstellen von Deep Reinforcement Learning-Agenten.
655 · a2c
teiltadvantage-actor-criticdeep-deterministic-policy-gradient
cleanrl
Hochwertige Einzeldatei-Implementierung von Deep Reinforcement Learning-Algorithmen mit forschu…
10.2k · a2c
teiltadvantage-actor-criticproximal-policy-optimization
pytorch-a2c-ppo-acktr-gail
PyTorch-Implementierung von Advantage Actor Critic (A2C), Proximal Policy Optimization (PPO), s…
3.9k · a2c
teiltacktradvantage-actor-critic
Reinforcement-learning-with-tensorflow
Einfache Tutorials zum Reinforcement Learning, 莫烦Python 中文AI教学
9.5k · a3c
teiltdeep-deterministic-policy-gradientproximal-policy-optimization
Deep_reinforcement_learning_Course
Implementierungen aus dem kostenlosen Kurs Deep Reinforcement Learning mit Tensorflow und PyTor…
3.9k · a2c
teiltdeep-q-networka2c
reinforcement-learning
Minimale und saubere Beispiele für verstärkendes Lernen
3.7k · a3c
teiltdeep-q-networkactor-critic
Deep-Reinforcement-Learning-With-Python
Meistere klassisches RL, tiefes RL, verteiltes RL, inverses RL und mehr mit OpenAI Gym und Tens…
475 · a2c
teilta2cactor-critic
DeepRL-Tutorials
Enthält hochwertige Implementierungen von Deep Reinforcement Learning-Algorithmen, die in PyTor…
1.1k · a2c
teiltadvantage-actor-criticdeep-q-network
minimalRL
Implementierungen grundlegender RL-Algorithmen mit minimalen Codezeilen! (basierend auf PyTorch…
3.2k · a2c
teilta2cddpg
UAV-DDPG
Code für das Papier "Computation Offloading Optimization for UAV-assisted Mobile Edge Computing…
717 · actor-critic-algorithm
teiltdrldeep-deterministic-policy-gradient

Ermittelt aus gemeinsamen GitHub-Topics beider Projekte, gewichtet nach ihrer Seltenheit.