一个可用于为矩阵乘法等基本任务发现新颖、高效且可证明正确的算法的人工智能系统

多智能体强化学习pymarl框架和smac环境以及安装包

用matlab实现多视图聚类算法

给定左右两幅图像，利用自适应窗口算法进行视差估计，采用左图预测右图时，采取与类似于运动估计的方法，对左图进行“扭曲”后再作为右图的预测图像。利用自适应窗口算法对实现视差估计，算出视差矢量，以此计算其视差补偿预测图像的误差，从而求得残差图。

2048健身房 该存储库是一个有关使用DQN（Q-Learning）玩2048游戏并使用加速和加速环境的。使用的算法来自“ ，环境是自定义的 env。该环境包含两种类型的电路板表示形式：二进制和无二进制。第一个使用幂二矩阵来表示电路板的每个图块。相反，没有二进制文件使用原始矩阵板。 该模型使用两种不同类型的神经网络：CNN（卷积神经网络），MLP（多层感知器）。使用CNN作为特征提取器比使用MLP更好。可能是因为CNN可以提取空间特征。结果，代理在1000个已玩游戏的10％中获得2048个图块。 奥图纳 Optuna是一个自动超参数优化软件框架，专门为机器学习而设计。它具有命令式，按运行定义样式的用户API。多亏了我们的运行定义API，用Optuna编写的代码具有高度的模块化，并且Optuna的用户可以动态构造超参数的搜索空间。 还有就是如何使用这个库指南。 Numba 是一种开源JI

Snake-AI：使用深度强化学习训练的Snake游戏

RLDiceGame 介绍 该存储库中的代码实现了一个简单的框架，用于骰子游戏中的强化学习。 强化学习是指能够从反复试验中学习的机器学习框架。 该框架很大程度上归功于马尔可夫决策过程：每个步骤都由一个状态和在该状态下要执行的选定动作来描述。 下一步包含通过对初始状态执行操作而计算出的新状态。 强化学习增加了一种反馈机制，该机制允许所计算的动作响应于外部提供的分数而改变。 增强型学习与监督式学习相反，后者是一种指导机器根据已知分类对状态进行分类的方法，而无监督式学习则是一种无监督学习的方法，后者是一种机器在训练数据中标识自己的集群的方法。 在强化学习中，提供的反馈是基于初始状态和采取的措施的得分。 作为特定示例，Blue Orange Games为流行的骰子游戏Yamslam提供了训练工具。 线束和游戏仅实现一轮Yamslam，包括初始掷出5个6面骰子，决定保留5个初始掷骰子的子集，然后

超级马里奥兄弟的深度强化学习 描述 背景信息：超级马里奥兄弟（SMB）是一款流行的动作游戏，具有“真实的”环境和广阔的状态空间，是设计可玩计算机游戏的强化学习代理的理想平台。 该代理要求与世界上的各种对象和障碍进行交互，以鼓励采用知识丰富的学习方法。 方法-我们使用了OpenAI Gym提供的框架。 超级马里奥兄弟体育馆并从游戏环境中提取了信息，以使用PPO训练RL特工。 我们还向环境引入了预处理方法，例如帧缩放，随机跳帧，帧堆叠和噪声网，以提高代理的性能。 通过引入回滚操作来提高训练的稳定性，可以创建PPO的变体。 结果：该方法成功地训练了能够在20个小时的训练后完成水平的特工。 我们成功实现了一种方法，该方法可以比常规PPO实施更好地执行，在不应用数据预处理的情况下性能提高了50％，在应用数据预处理的情况下性能提高了10％。 工具 Pytorch已被用作主要的机器学习库 由于SMB

EIT / UTT双模态成像的自适应局部加权图像重建算法

详细的介绍了自适应kalman 滤波器，很实用