解压后1个G----lab-master--谷歌DeepMind开源其深度学习平台DeepMind Lab.zip

这个包提供了Deepmind 的 AlphaZero 算法的通用、简单和快速的实现： 核心算法只有 2000 行纯的、可破解的 Julia 代码。 通用界面可以轻松添加对新游戏或新学习框架的支持。 这种实现比用 Python 编写的竞争替代方案快一到两个数量级，可以在带有 GPU 的标准台式计算机上解决非平凡的游戏。 可以像在单台计算机上一样轻松地在一组机器上训练相同的代理 ，而无需修改一行代码。 我为什么要关心 AlphaZero？ 除了广为人知的在国际象棋和围棋等游戏中达到超人水平的成功之外，DeepMind 的 AlphaZero 算法还展示了一种更通用的方法，将学习和搜索相结合，以有效地探索大型组合空间。我们相信这种方法可以在许多不同的研究领域有令人兴奋的应用。 我为什么要关心这个实现？ 由于 AlphaZero 需要大量资源，因此成功的开源实现（例如Leela Zero）是用低级语言（例如 C++）编写的，并针对高度分布式计算环境进行了优化。这使得学生、研究人员和黑客很难接触到它们。 该项目的动机是提供 AlphaZero 的实现，该实现足够简单，可以广泛访问，同时也

TruthEyeTool 比软好的opencv深度学习软件 比VIDI deepmind优秀 主要是功能模块都有，适合学习研究

随着DeepMind公司开发的AlphaGo升级版master战胜围棋世界冠军，其背后应用的强化学习思想受到了广泛关注，也吸引了我想一探究竟为什么强化学习的威力这么大。早在2015年，DeepMind就在youtube上发布了围棋程序master的主要作者David Silver主讲的一套强化学习视频公开课，较为系统、全面地介绍了强化学习的各种思想、实现算法。其一套公开课一共分为十讲，每讲平均为100分钟。其中既包括扎实的理论推导，也有很多有趣的小例子帮助理解，对于理解强化学习来说是一套非常好的教程。我在跟随这套教程学习的过程中一边听讲、一边笔记，最后编写代码实践，终于算是对强化学习的概念终于有了初步的认识，算是入门了吧。为了巩固加深自己的理解，同时也能为后来的学习者提供一些较为系统的中文学习资料，我萌生了把整个公开课系统整理出来的想法。

Google的deepmind团队发表在nature上有关alphago的论文，包含原有的英文版，我翻译的中文版，以及一个20分钟对alphago工作原理的讲述。

Google DeepMind的David Silver的强化学习课程讲义(pdf完整版)

DeepQLearning.jl 如使用所述，DeepMind的Deep Q-Learning算法的Julia实现。 此代码仅实现基本算法。 它不包括卷积网络的代码。 但是，可以使用Mocha.jl轻松添加。 取而代之的是，它使用了更简单的单层神经网络。 有关原始 注意：此库已经过各种学习任务的测试，似乎可以正常运行，但尚未准备好供公众使用。 范例程式码 using DeepQLearning ... coming soon ... I hope :) ## Dependencies此库需要 。 ## Credits该库借鉴了的作品 执照 麻省理工学院

火炬波网 Google DeepMind Wavenet模型（一种生成的音频NN模型）的PyTorch实现。 DeepMind纸。

深度研究 该存储库包含DeepMind出版物随附的实现和说明性代码。 除了发布与DeepMind进行的研究相伴随的论文外，我们还发布开源，和以使更广泛的研究社区参与我们的工作并以此为基础，并最终目标是加速科学进步，造福于社会。 。 例如，您可以建立在或实现之上，或者在我们用于研究的相同环境中进行实验，例如或 。 如果您喜欢下面列出的构建工具，环境，软件库和其他类型的基础架构，则可以在我们的上查看在相关领域工作的空缺职位。 有关我们出版物的完整列表，请访问 专案 ，ICLR 2021 ，ICLR 2020 ，NeurIPS 2020 ，NeurIPS 2020 ，NeurIPS 2020 ，NeurIPS 2020 ，《化学物理学报》 2020 ，ICML 2020 ，ICML 2020 ，SIGGRAPH 2020 ICR 2020的，用于情景 解，NeurIPS 20

使用WaveNet进行语音转文字 仍然需要弄清楚CTCLoss的南问题 基于DeepMind论文： 语音识别实现。 此实现的目的是结构合理，可重用且易于理解。 这里的流实现： 尽管WaveNet被设计为“文本到语音”模型，但该论文提到他们也在语音识别任务中对其进行了测试。 他们没有提供有关实现的具体细节，只是表明他们通过直接在TIMIT上对原始音频进行训练的模型在测试数据集上达到了18.8 PER。 我从修改了WaveNet模型，并将的语音识别实验。 下图显示了最终的体系结构。 （图片来源： ） 先决条件 系统 Linux CPU或（NVIDIA GPU + CUDA CuDNN） Python 3.6 图书馆 PyTorch = 0.4.0 librosa = 0.5.0 熊猫> = 0.19.2 == 0.11.0 数据集 我们使用了 ， 和语料库。 由上