附件为policy gradient，actor critic相关的基础代码，可以跑的通，有助于对policy gradient，actor critic, advantage actor critic三种算法的认识和了解

强化学习中policy gradient 类型的经典算法有PG，TRPO，PPO，DPPO

梯度提升决策树 梯度提升决策树的python实现。该算法的核心部分仅使用numpy实现。 参考 梯度提升算法的详细信息 目录 要求 使用方法（用法） 实际示例（示例） MNIST分类（binary_classification） 通过人工数据进行分类（二进制分类，回归问题） 设置 要求 需要以下库来运行示例 numpy scikit-learn matplotlib pandas scipy 快速开始 与Docker一起运行 这是将docker和docker-compose预先安装在主机上的条件。 首先使用docker-compose构建映像，然后使用守护程序启动容器。 docker-compose build docker-compose up -d 示例命令在容器内运行 # コンテナの内部に潜り込む docker exec -it gbdt-app bash # sample.py

QT QML渐变色彩设置控件 模拟并简化ps渐变设置工具 /渐变轴上有若干色块锚点 /锚点点击弹出色彩选择控件供设置色彩 /设置完毕，渐变轴刷新 /锚点可拖移，拖移中渐变轴实时刷新 /点击渐变轴空白处，新增锚点 /将锚点拖到界面外可删除

卷积神经网络可视化 该存储库包含许多在PyTorch中实现的卷积神经网络可视化技术。 注意：我删除了cv2依赖性并将存储库移至PIL。 有些事情可能会坏掉（尽管我测试了所有方法），如果在某些情况下无法解决问题，可以提出问题，我将不胜感激。 注意：此存储库中的代码已使用0.4.1的割炬进行了测试，某些功能可能无法在更高版本中使用。 尽管应该花很多时间才能使它工作，但是由于我仍在使用0.4.1，因此我目前没有计划使该存储库中的代码与最新版本兼容。 实施技术 [1] [4] [3]（[2]的推广） [3] [15]（[2]的无梯度泛化） [8] [9] [5] [10] [4] [14] [12] [13] 我提出以下对抗性例如生成技术从敌对的东西分开的可视化。 - Fast Gradient Sign, Untargeted [11] - Fast Gradien

渐变路径 一个小的库，可以沿着任何SVG路径进行渐变 一个依赖项（ ） 压缩后的2.1kb 在任何有效的SVG path 您可以将其与D3.js配对，也可以独立使用 我们选择删除D3上的缺陷，并进一步泛化代码，以使其他人可以更轻松地在他们的项目中使用它。 安装 安装说明取决于您是否在项目中使用D3.js。 如果您打算在gradient-path旁边使用D3，则不需要安装tinygradient 。 如果要在Javascript项目中独立使用渐变路径，则还必须安装这些依赖项（但请放心，将两个压缩包压缩在一起的大小大约为8kb，因此可以忽略不计）。 使用任何Javascript项目进行安装： NPM： npm install --save gradient-path tinygradient 纱线： yarn add gradient-path tinygradient 使

Gradient Fill使用方法, sample code to use GradientFill API

包含复数优化中最重要的复数梯度和Hessian内容，是很经典的复数求导和解复数优化文献。

This is a pack of over 200 shaders. Each shader outputs a colorful gradient. You can save memory and performance by not having to use a texture! The gradient might be combined with one or two palette textures, and/or a sprite texture, depending on the shader. All material properties can be adjusted in realtime via script or animation clip. https://assetstore.unity.com/packages/vfx/shaders/gradient-shader-pack-156673

GBDT_Simple_Tutorial（梯度提升树简易教程） 简介 利用python实现GBDT算法的回归、二分类以及多分类，将算法流程详情进行展示解读并可视化，便于读者庖丁解牛地理解GBDT。 项目进度： 回归 二分类 多分类 可视化 算法原理以及公式推导请前往blog： 依赖环境 操作系统：Windows/Linux 编程语言：Python3 Python库：pandas、PIL、pydotplus， 其中pydotplus库会自动调用Graphviz，所以需要去下载graphviz的-2.38.msi ，先安装，再将安装目录下的bin添加到系统环境变量，此时如果再报错可以重启计算机。详细过程不再描述，网上很多解答。 文件结构 | - GBDT 主模块文件夹 | --- gbdt.py 梯度提升算法主框架 | --- decision_tree.py 单颗树生成，包括节点划分