WebAssembly / AssemblyScript Atari 2600 Emulator 自从阅读，我就对2600着迷了，因为计算机没有足够的内存来支持视频RAM的想法简直就是疯了！ 该项目是与玩的借口，并进一步探索2600。 我正在通过实现指南中显示的功能来实现 。 其他参考资料 寻址模式-https: 6502参考- 另一个6502参考-https: 进步 第一场：从这里开始 第二节：电视显示基础知识 第三节：TIA和6502 第四节：TIA 第五节：内存架构 第6节和第7节：电视和我们的内核 第八讲：我们的第一个内核 第9节：6502和DASM –总结基础 第十节：高潮 专场11：色彩缤纷 专题12：初始化 专场13：Playfield基础知识 专场14：Playfield古怪 专场15：Playfield（续） 第十六节：让组装商

vcs-game-maker 这个在线工具是一个无代码环境，旨在允许人们在不了解编程的情况下也无需在计算机上安装任何东西的情况下为 Atari 2600 创建游戏。 它使用允许用户使用块来实现逻辑，然后在幕后生成源代码，然后使用编译以生成 Atari 2600 ROM，该 ROM 被模拟使用 。 这是一项正在进行的工作。 项目设置 npm install 为开发编译和热重载 npm run serve 为生产编译和缩小 npm run build Lints 和修复文件 npm run lint 自定义配置 请参阅。

stella：多平台Atari 2600仿真器

Atari2600个街机游戏环境，从http://www.atarimania.com/rom_collection_archive_atari_2600_roms.html 网站上下载的文件。

HTML5-蜈蚣 我们熟悉和喜爱的街机游戏蜈蚣，但用 HTML5 重写。 游戏引擎：Phaser。 去看一下。 很酷的东西，很棒的社区。 这是我的使命之一，是振兴一些经典的街机游戏。

gym中集成的atari游戏可用于DQN训练，但是操作还不够方便，于是baseline中专门对gym的环境重写，以更好地适应dqn的训练      从源码中可以看出，只需要重写两个函数 reset（）和step() ，由于render（）没有被重写，所以画面就没有被显示出来了 1.NoopResetEnv（）函数，功能：前30帧画面什么都不做，跳过。这有利于增加初始画面的随机性，不容易陷入过拟合 class NoopResetEnv(gym.Wrapper): def __init__(self, env, noop_max=30): Sample initial

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

掌握离散世界模型的Atari 在TensorFlow 2中实现代理。包括所有55个游戏的训练曲线。 如果您认为此代码有用，请在您的论文中参考： @article{hafner2020dreamerv2, title={Mastering Atari with Discrete World Models}, author={Hafner, Danijar and Lillicrap, Timothy and Norouzi, Mohammad and Ba, Jimmy}, journal={arXiv preprint arXiv:2010.02193}, year={2020} } 方法 DreamerV2是第一个在Atari基准上达到人类水平性能的世界模型代理。使用相同的经验和计算量，DreamerV2的性能也优于顶级无模型代理Rainbow和IQN。此存储库中的实现

DQN-雅达利 深度Q网络实现。 实施从论文《和得出。 结果 游戏视频-DQN Nature Paper 每集奖励 实施摘要 DQN自然架构实施 输入：84×84×4图像（使用历史记录的最后4帧） 转换层1：32个8×8滤光片，步幅为4 转换层2：64个4×4步幅的滤镜 转换层3：64个3×3滤光片，步幅为1 完全连接1：完全连接，由256个整流器单元组成 输出：完全连接的线性层，每个有效动作均具有单个输出。 DQN Neurips架构实施 输入：84×84×4图像（使用历史记录的最后4帧） 转换层1：16个8×8滤光片，步幅为4 转换层2：32个4×4步幅的滤镜 完全连接1：完全连接，由256个整流器单元组成 输出：完全连接的线性层，每个有效动作均具有单个输出。 其他参数 优化器：RMSProp 批量大小：32 电子贪婪：0.1 怎么跑 创建一个新环境 例子： conda

#Pong 经典的 Atari Pong 游戏！ 玩。 科迪·麦克纳马拉和达娜·雅库宾斯基 ＃＃＃＃指示： 使用向上和向下箭头移动您的桨 享受！