Wasserstein流与复制因子动力学——演员评论中表征学习的平均场分析_Wasserstein Flow Meets Replicator Dynamics A Mean-Field Analysis of Representation Learning in Actor-Critic.pdf

电影摄制是团队合作的成果，因为它将众多创意工作者聚集在一起。 此外，创意工作者对电影项目的贡献取决于从事该项目的其他创意人才。 电影的发展的特点是，在逐个电影的基础上，创造性人才的流动性建设和解体，其中导演和演员的声誉和相互依存对于电影的成功至关重要。 例如，当宝莱坞专业人士Karan Johar，Amitabh Bachchan和Hrithik Roshan合作制作了一部电影《 Kabhie Khushi Kabhie Gham》时，就建立了三个联系。 卡兰·乔哈尔（Karan Johar）–阿米塔布·巴尚（Amitabh Bachchan），卡兰·乔哈尔（Karan Johar）–赫里西克·罗尚（Hrithik Roshan）和阿米塔布·巴赫查（Amitabh Bachchan）–赫里西克·罗尚（Hrithik Roshan）。 随后，由于这些专业人员与其他演员和导演一起从事不同的电影项目，因此建立了更多的链接。 这导致了加权协作网络的形成，其中两个人之间的联系权重指示了这两个人进行协作的电影数量。网络中的群体或社区的存在一直是一个经过深入研究的问题。 此外，在与小组动力学有关的先前研究中，已经发现网络内的小组成员的能力与总体表现成正相关。 这促使我们发现和分析印度电影业原始合作网络“宝莱坞”中的介观结构（通常称为社区）。 宝莱坞合作网络中社区的识别可以帮助制片人和电影制片厂组建电影，以便在票房制作商业上可行的内容。 这项工作展示了演员和导演网络中社区的属性和组织，这些演员和导演在2001年1月至2018年6月期间成功发行的成功电影中进行了合作。由于21世纪的空前崛起，我们特别关注2001-2018年的这段时间为了揭示加权网络中的社区结构，我们提出了一种基于相对连通性的度量来计算节点之间的相似性，并提出了一种基于粗糙集的社区检测方法。

凯文培根游戏 Kevin Bacon 游戏，其中用户可以将演员追踪到 Kevin Bacon 并查看分离程度。 运行 KevinBaconGameRunner.java 开始！ 运行所需的电影和演员文件在 repo 中。

六度凯文培根 从凯文·培根 (Kevin Bacon) 确定演员或女演员程度的 Java 代码。 该代码还允许您找到两个不同演员的度数。

火炬RL RL方法的Pytorch实现 支持具有连续和离散动作空间的环境。 支持具有1d和3d观察空间的环境。 支持多进程环境 要求 一般要求 火炬1.7 健身房（0.10.9） Mujoco（1.50.1） 列表（用于日志） tensorboardX（日志文件输出） 张量板要求 Tensorflow：启动tensorboard或读取tf记录中的日志 安装 使用use environment.yml创建虚拟环境 conda create -f environment.yml source activate py_off 手动安装所有要求 用法 在配置文件中指定算法的参数，并在参数中指定日志目录/种子/设备 python examples/ppo_continuous_vec.py --config config/ppo_halfcheetah.json --seed 0 --device 0 --id ppo_halfcheetah 结帐示例文件夹以获取详细信息 目前包含： 政策上的方法： 加强 A2C（演员评论家） PPO（近端政策优化）

具有Deep RL的TSP解算器 这是具有增强学习功能的神经组合优化的PyTorch实施，Bello等人。 2016 [ ] 指针网络是Vinyals等人提出的模型架构。 2015 [ ] 该模型使用注意力机制来输出输入索引的排列。 在这项工作中，我们将解决旅行商问题（TSP），这是被称为NP-hard的组合优化问题之一。 TSP寻求推销员最短的行程，使他们只能一次访问每个城市。 在没有监督解决方案的情况下进行培训 在训练阶段，此TSP求解器将优化2种不同类型的指针网络，Actor和Critic模型。 给定一个以城市为节点的城市图，评论家模型可以预测预期的旅行时长，通常称为状态值。 当估计行程长度赶上由演员模型预测的行程（城市排列）计算出的实际长度时，评论者模型的参数将得到优化。 Actor模型使用称为好处的值更新其策略参数，该值从实际巡回行程中减去状态值。 影评人 Actor

libgdx中的舞台与演员

音频分析 这是一个基于演员声音的语音情感识别项目

深度强化学习-分布式模块化框架 一个模块化框架，可实现即插即用的RL思想实验。 该系统是模块化的，具有针对演员，评论家，记忆，代理等的可重用类。 探索和学习在单独的Docker实例中作为单独的流程运行。 这样就可以运行多个分布式资源管理器。 这些组件在一个位置连接在一起，例如 ， 。 急切地使用Tensorflow2。 跑 启动两个docker镜像，一个运行Explorer，另一个运行Learner。 scripts/both.sh 结果

#6.1_Actor_Critic_演员评论家_(强化学习_Reinforcement_Learning_教学)