icon
Categorias de Ferramentas de IA Agentes de IA MCP Ranking Enviar e Publicitar
Entrar

Ferramentas visualisation avec TensorBoard para todas as ocasiões

Obtenha soluções visualisation avec TensorBoard flexíveis que atendem a diversas demandas com eficiência.

visualisation avec TensorBoard

  • Vanilla Agents

    Vanilla Agents fornece implementações prontas para usar de agentes RL DQN, PPO e A2C com pipelines de treinamento personalizáveis.
    0
    0
    O que é Vanilla Agents?
    Vanilla Agents é uma estrutura leve baseada em PyTorch que fornece implementações modulares e extensíveis de agentes de reforço fundamentais. Suporta algoritmos como DQN, Double DQN, PPO e A2C, com wrappers de ambiente plugáveis compatíveis com OpenAI Gym. Os usuários podem configurar hiperparâmetros, registrar métricas de treinamento, salvar pontos de verificação e visualizar curvas de aprendizagem. A base de código é organizada para clareza, tornando-a ideal para prototipagem de pesquisa, uso educacional e benchmarking de novas ideias em RL.
    Recursos Principais do Vanilla Agents
    • Implementações de DQN e Double DQN
    • Agentes de política de gradiente PPO e A2C
    • Wrappers de ambiente do OpenAI Gym
    • Hiperparâmetros configuráveis
    • Suporte a registro e TensorBoard
    • Salvamento e carregamento de checkpoints do modelo

  • Multi-Agent DDPG with PyTorch & Unity ML-Agents

    Implementa aprendizado por reforço multiagente DDPG descentralizado usando PyTorch e Unity ML-Agents para treinamento de agentes colaborativos.
    0
    0
    O que é Multi-Agent DDPG with PyTorch & Unity ML-Agents?
    Este projeto de código aberto oferece uma estrutura completa de aprendizado por reforço multiagente construída em PyTorch e Unity ML-Agents. Inclui algoritmos DDPG descentralizados, wrappers de ambiente e roteiros de treinamento. Os usuários podem configurar políticas de agentes, redes críticas, buffers de replay e trabalhadores de treinamento paralelos. Ganchos de registro permitem monitoramento no TensorBoard, enquanto um código modular suporta funções de recompensa e parâmetros de ambiente personalizados. O repositório inclui cenas Unity de exemplo demonstrando tarefas colaborativas de navegação, tornando-se ideal para estender e testar cenários multiagente em simulações.
Em Destaque