Início Projetos HandyRL
HandyRL

HandyRL

por DeNA · GitHub

HandyRL é um framework prático e simples baseado em Python e PyTorch para aprendizado por reforço distribuído que é aplicável aos seus próprios ambientes.

Ver no GitHub
⭐ Estrelas
🍴 Forks
🔥 Tendências
📜 Licença
Licença não especificada
📅 Criado
🔄 Último commit
🏷️ Categoria
💻 Linguagem
Mantem este projeto?

Reivindique a sua pagina: indexada seja qual for a posicao, traduzida em seis linguas e enriquecida com as suas palavras.

Reivindicar esta pagina →
HandyRL — GitHub preview card
📈 Histórico de estrelas
308304
2026-07-202026-07-29
📈 Acompanhe HandyRL

Receba um alerta por e-mail no próximo lançamento ou quando começar a bombar.

Grátis · sem cartão · cancele quando quiser
Receber alertas por e-mail →
📄 Sobre

HandyRL é um framework prático e simples baseado em Python e PyTorch para aprendizado por reforço distribuído que é aplicável aos seus próprios ambientes.

HandyRL tem 308 estrelas no GitHub. Foi bifurcado 45 vezes. HandyRL é escrito principalmente em Python. Está em desenvolvimento ativo desde 2020. Os seus principais temas são: deep-learning, distributed-training, games, machine-learning.

Frequently asked questions

O que é HandyRL?

HandyRL é um framework prático e simples baseado em Python e PyTorch para aprendizado por reforço distribuído que é aplicável aos seus próprios ambientes.

HandyRL é de código aberto?

HandyRL é um projeto de código aberto.

HandyRL é gratuito?

Sim. HandyRL é gratuito e de código aberto — você pode usá-lo, modificá-lo e hospedá-lo por conta própria.

Em que linguagem HandyRL está escrito?

HandyRL é escrito principalmente em Python.

🏅 Mantenedor deste projeto?
OpenSourceAI badge — HandyRL

Adicione este badge ao vivo ao seu README — suas estrelas do GitHub e classificação no diretório, atualizadas diariamente.

[![OpenSourceAI](https://opensourceai.tech/badge.php?tool=dena-handyrl)](https://opensourceai.tech/project/dena-handyrl.html)
Mais opções de badge →
🧬 Partilha ADN com🧬 Ver o mapa de ADN →

Medido a partir dos topics do GitHub comuns aos dois projetos, ponderados pela sua raridade.