icon
Herramientas de IA Agentes de IA MCP Clasificación Enviar y Publicitar
Iniciar Sesión

Herramientas Visualización de Entrenamiento más usadas

Descubre por qué estas herramientas Visualización de Entrenamiento son las favoritas de usuarios de todo el mundo.

Visualización de Entrenamiento

  • Reinforcement Learning Agents for PettingZoo Games

    Un repositorio de GitHub que proporciona agentes DQN, PPO y A2C para entrenar aprendizaje por refuerzo multiagente en juegos PettingZoo.
    0
    0
    ¿Qué es Reinforcement Learning Agents for PettingZoo Games?
    Los agentes de aprendizaje por refuerzo para juegos PettingZoo son una biblioteca en Python que ofrece algoritmos listos para usar DQN, PPO y A2C para aprendizaje por refuerzo multiagente en entornos PettingZoo. Cuenta con scripts de entrenamiento y evaluación estandarizados, hiperparámetros configurables, registro integrado en TensorBoard y soporte tanto para juegos competitivos como cooperativos. Los investigadores y desarrolladores pueden clonar el repositorio, ajustar parámetros de entorno y algoritmo, ejecutar sesiones de entrenamiento y visualizar métricas para acelerar la experimentación y comparación en sus experimentos de RL multiagente.
    Características principales de Reinforcement Learning Agents for PettingZoo Games
    • Implementaciones de agentes DQN, PPO y A2C
    • Scripts estándar para entrenamiento y evaluación
    • Hiperparámetros configurables
    • Registro en TensorBoard
    • Soporte para juegos multiagente competitivos y cooperativos

  • PommerLearn

    Un marco de RL que ofrece herramientas de entrenamiento y evaluación de PPO, DQN para desarrollar agentes competitivos en el juego Pommerman.
    0
    0
    ¿Qué es PommerLearn?
    PommerLearn permite a investigadores y desarrolladores entrenar bots RL multi-agente en el entorno de juego Pommerman. Incluye implementaciones listas para usar de algoritmos populares (PPO, DQN), archivos de configuración flexibles para hiperparámetros, registro automático y visualización de métricas de entrenamiento, guardado de modelos y scripts de evaluación. Su arquitectura modular facilita la extensión con nuevos algoritmos, la personalización de entornos y la integración con bibliotecas ML estándar como PyTorch.
Destacados