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

Die besten visualisation de l'entraînement-Lösungen für Sie

Finden Sie bewährte visualisation de l'entraînement-Tools, die sowohl für Anfänger als auch für Experten geeignet sind, und steigern Sie Ihre Produktivität.

visualisation de l'entraînement

  • 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

  • AutoDRIVE Cooperative MARL

    Eine Open-Source-Mult-Agenten-Verstärkendes Lernen-Framework für die kooperative autonome Fahrzeugsteuerung in Verkehrsszenarien.
    0
    0
    Was ist AutoDRIVE Cooperative MARL?
    AutoDRIVE Cooperative MARL ist ein Open-Source-Framework, das entwickelt wurde, um kooperative Multi-Agenten-Verstärkendes Lernen (MARL)-Politiken für autonome Fahraufgaben zu trainieren und zu deployen. Es integriert sich mit realistischen Simulatoren zur Modellierung von Verkehrsszenarien wie Kreuzungen, Autobahn-Platooning und Merging. Das Framework implementiert zentrales Training mit dezenter Ausführung, sodass Fahrzeuge gemeinsam erlernte Politiken nutzen können, um die allgemeine Verkehrseffizienz und Sicherheit zu maximieren. Benutzer können Umgebungsparameter konfigurieren, aus Baseline-MARL-Algorithmen auswählen, den Trainingsfortschritt visualisieren und die Koordination der Agenten benchmarken.

  • 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