Startseite Projekte dreamerv2
dreamerv2
Python

dreamerv2

Atari meistern mit diskreten Weltmodellen.

von danijar · GitHub
Sterne
Forks
Lizenz
Erstellt
Letzter Commit
Sprache
artificial-intelligenceatarideep-learningMITPython
Auf GitHub ansehen
In einfachen Worten

Trainieren Sie einen KI-Agenten, um Atari-Spiele auf menschlichem Leistungsniveau zu spielen, indem Sie Weltmodelle verwenden.

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 →
dreamerv2 — GitHub preview card
📈 Sternhistorie
1 0531 052
2026-07-202026-08-31
📈 dreamerv2 verfolgen

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

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

Atari meistern mit diskreten Weltmodellen.

dreamerv2 hat 1.1k Sterne auf GitHub. Es wurde 212-mal geforkt. dreamerv2 ist hauptsächlich in Python geschrieben. Es wird seit 2020 aktiv entwickelt. dreamerv2 ist unter der MIT-Lizenz verfügbar. Die Hauptthemen sind: artificial-intelligence, atari, deep-learning, machine-learning.

Frequently asked questions

Was ist dreamerv2?

Atari meistern mit diskreten Weltmodellen.

Ist dreamerv2 Open Source?

dreamerv2 ist ein Open-Source-Projekt. Es wird unter der MIT-Lizenz veröffentlicht.

Ist dreamerv2 kostenlos?

Ja. dreamerv2 ist kostenlos und Open Source — Sie können es nutzen, anpassen und selbst hosten.

Unter welcher Lizenz steht dreamerv2?

dreamerv2 ist unter der MIT-Lizenz verfügbar.

In welcher Sprache ist dreamerv2 geschrieben?

dreamerv2 ist hauptsächlich in Python geschrieben.

🏅 Wartender dieses Projekts?
olud.ai badge — dreamerv2

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

[![olud.ai](https://olud.ai/badge.php?tool=danijar-dreamerv2)](https://olud.ai/project/danijar-dreamerv2.html)
Weitere Abzeichenoptionen →
🧬 Teilt DNA mit🧬 DNA-Karte ansehen →

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