复制 该存储库用于共享预训练的模型并从给定的文本生成图像。 所有模型均由 + 进行训练，并具有不同的训练代码和BPE模型。 如果您想训练DALLE，请转到并支持他们重现更好的DALLE模型 :airplane: 笔记本包括 文字到图像的生成 预先训练的CLIP重新排名 根据给定的裁剪图像生成其余图像 用法 安装要求 $ pip install -r requirements 安装DeepSpeed 请按照的说明安装DeepSpeed 楷模 在下面下载模型并将其保存在预先训练的文件夹中 查看型号细节 数据集 下载 密码 细节 古巴200 v9ge 古巴200 47w1

Stable Baselines官方文档中文版 起这个名字有点膨胀了。 网上没找到关于Stable Baselines使用方法的中文介绍，故翻译部分。非专业出身，如有错误，请指正。 官方文档中文版汇总： 注释 @@@后的内容是自己加的注释 --------------------------------------------------------以下为翻译正文------------------------------------------------------------ 是一组基于OpenAI 的改进版强化学习(RL: Reinforcement Learning)实现。 Github网址： RL Baselines Zoo(预训练agents集合)： RL Baselines zoo也提供一个简单界面，用于训练、评估agents以及超参数微调。 你可以在Medium上查

健身搏击 使用OpenAI环境工具包的战舰环境。 基本 制作并初始化环境： import gym import gym_battleship env = gym.make('battleship-v0') env.reset() 获取动作空间和观察空间： ACTION_SPACE = env.action_space.n OBSERVATION_SPACE = env.observation_space.shape[0] 运行一个随机代理： for i in range(10): env.step(env.action_space.sample()) 观察隐藏的游戏状态： print(env.board_generated) 有效动作 有两种输入动作的方法。 第一种方法是按原样输入元组： env = gym.make('battleship-v0') env.reset(

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

CA周记 - 带你进⼊ OpenAI 的世界.doc

人工智能工具包 OpenAI.7z

ddpg-aigym 深度确定性策略梯度 Tensorflow中深度确定性策略梯度算法的实现（Lillicrap等人 。） 如何使用 git clone https://github.com/stevenpjg/ddpg-aigym.git cd ddpg-aigym python main.py 培训期间 一旦训练 学习曲线 InvertedPendulum-v1环境的学习曲线。 依存关系 Tensorflow（在tensorflow版本0.11.0rc0 ） OpenAi体育馆 Mujoco 产品特点 批量归一化（提高学习速度） 梯度转换器（在arXiv中提供： ） 注意 使用不同

人工智能工具包 OpenAI

健身房 基于OpenAI Gym的多代理环境的集合。 安装 使用PyPI： pip install ma-gym 直接从来源： git clone https://github.com/koulanurag/ma-gym.git cd ma-gym pip install -e . 参考： 如果您想引用它，请使用此bibtex： @misc{magym, author = {Koul, Anurag}, title = {ma-gym: Collection of multi-agent environments based on OpenAI gym.}, year = {2019}, publisher = {GitHub}, journal = {GitHub repository}, howpublish

AIgym_Acrobat_Q_learning：通过openAi Gym在Acrobat-v01上进行einforcmend学习