icon
KI-Tools KI-Agenten MCP Ranking Einreichen & Werben
Anmelden

Umfassende トレーニングの可視化-Lösungen

Verschaffen Sie sich Zugang zu einer umfassenden Sammlung von トレーニングの可視化-Tools, die eine breite Palette von Anforderungen abdecken.

トレーニングの可視化

  • Reinforcement Learning Agents for PettingZoo Games

    Ein GitHub-Repo, das DQN-, PPO- und A2C-Agenten für das Training von Multi-Agent-Reinforcement-Learning in PettingZoo-Spielen bereitstellt.
    0
    0
    Was ist Reinforcement Learning Agents for PettingZoo Games?
    Reinforcement-Learning-Agenten für PettingZoo-Spiele ist eine Python-Bibliothek, die fertige DQN-, PPO- und A2C-Algorithmen für Multi-Agenten-RL in PettingZoo-Umgebungen bereitstellt. Es bietet standardisierte Trainings- und Evaluierungsskripte, konfigurierbare Hyperparameter, integriertes TensorBoard-Logging und Unterstützung für sowohl Wettbewerbs- als auch Kooperationsspiele. Forscher und Entwickler können das Repo klonen, Umwelt- und Algorithmus-Parameter anpassen, Training durchführen und Metriken visualisieren, um ihre Multi-Agenten-RL-Experimente schnell zu entwickeln und zu vergleichen.
    Reinforcement Learning Agents for PettingZoo Games Hauptfunktionen
    • Implementierungen von DQN-, PPO- und A2C-Agenten
    • Standardisierte Trainings- und Evaluierungsskripte
    • Konfigurierbare Hyperparameter
    • Integriertes TensorBoard-Logging
    • Unterstützung für wettbewerbsfähige und kooperative Multi-Agenten-Spiele

  • PommerLearn

    Ein RL-Framework mit PPO-, DQN-Trainings- und Bewertungswerkzeugen für die Entwicklung wettbewerbsfähiger Pommerman-Agenten.
    0
    0
    Was ist PommerLearn?
    PommerLearn ermöglicht Forschern und Entwicklern das Training von Multi-Agenten-RL-Bots in der Pommerman-Umgebung. Es enthält einsatzfertige Implementierungen beliebter Algorithmen (PPO, DQN), flexible Konfigurationsdateien für Hyperparameter, automatische Protokollierung und Visualisierung von Trainingsmetriken, Modell-Checkpointing und Evaluierungsskripte. Die modulare Architektur erleichtert die Erweiterung durch neue Algorithmen, die Anpassung der Umgebung und die Integration mit standardmäßigen ML-Bibliotheken wie PyTorch.
Ausgewählt