TF2-RL
Algorithmes d'apprentissage par renforcement implémentés pour Tensorflow 2.0+ [DQN, DDPG, AE-DDPG, SAC, PPO, Primal-Dual DDPG]
Entraînez des modèles d'apprentissage par renforcement en utilisant divers algorithmes dans TensorFlow avec du code d'exemple.
Revendiquez sa page : indexée quel que soit son rang, traduite en six langues, et enrichie de vos propres mots.
Recevez une alerte par e-mail à sa prochaine version ou quand il décolle — ne ratez plus rien.
Gratuit · sans carte · désinscription à tout momentAlgorithmes d'apprentissage par renforcement implémentés pour Tensorflow 2.0+ [DQN, DDPG, AE-DDPG, SAC, PPO, Primal-Dual DDPG]
TF2-RL compte 316 étoiles sur GitHub. Il a été forké 66 fois. TF2-RL est écrit principalement en Python. Il est développé activement depuis 2020. TF2-RL est disponible sous licence MIT. Ses principaux thèmes sont : ae-ddpg, ddpg, dqn, openai-gym.
Qu'est-ce que TF2-RL ?
Algorithmes d'apprentissage par renforcement implémentés pour Tensorflow 2.0+ [DQN, DDPG, AE-DDPG, SAC, PPO, Primal-Dual DDPG]
TF2-RL est-il open source ?
TF2-RL est un projet open source. Il est distribué sous licence MIT.
TF2-RL est-il gratuit ?
Oui. TF2-RL est gratuit et open source — vous pouvez l'utiliser, le modifier et l'héberger vous-même.
Sous quelle licence est TF2-RL ?
TF2-RL est disponible sous licence MIT.
Dans quel langage TF2-RL est-il écrit ?
TF2-RL est écrit principalement en Python.
Ajoutez ce badge en direct à votre README — vos étoiles GitHub et votre classement dans le répertoire, actualisés quotidiennement.
[](https://olud.ai/project/anita-hu-tf2-rl.html)
Mesuré à partir des topics GitHub communs aux deux projets, pondérés par leur rareté.