RLBook资料集锦。 强化学习入门资料Algorithms for Reinforcement Learning。 强化学习导论和代码实例。 中文英文都有。

通过数据驱动的节点采样提高GraphSAGE 作者： （ ， ）， （ ）， （ ） 发表在2019 ICLR研讨会表示学习上图和流形。 概述 作为一种高效且可扩展的图神经网络，GraphSAGE通过归纳二次采样的局部邻域并以小批量梯度下降的方式进行学习，已启用了归纳能力来推断看不见的节点或图。 GraphSAGE中使用的邻域采样有效地提高了并行推断一批不同程度的目标节点时的计算和存储效率。 尽管有此优势，但默认的统一采样在训练和推理上仍存在较大差异，从而导致次优准确性。 我们提出了一种新的数据驱动的采样方法，以通过非线性回归来推断邻域的实际值重要性，并使用该值作为对邻域进行二次采样的标准。 使用基于值的强化学习来学习回归者。 从GraphSAGE的负分类损失输出中归纳地提取了顶点和邻域的每种组合的隐含重要性。 结果，在使用三个数据集的归纳节点分类基准中，我们的方法使用统一

DDPG+HER+Expert Data + action clip的注释版本，有自己的注视，是一个机械臂抓取的项目，能够成功运行。

贡献者：Datawhale开源项目组 作为人工智能里最受关注的领域之一，强化学习的热度一直居高不下，但它的学习难度也同样不低。 在学习强化学习的过程中，遇到了有无数资料却难以入门的问题，于是发起了Datawhale强化学习项目，希望自学的同时帮助更多学习者轻松入门。

sumo-rl-master.zip

Burden R.L., Faires J.D. Numerical analysis (7ed., Brooks Cole, 2001)(ISBN 0534382169)(T)(O)(850s)_MN_.djvu

TensorFlow中的深度强化学习 TensorFlow实施深度强化学习论文。 该实现包含： [1] [2][3][4][5]（进行中） [6]（正在进行中） [7]（进行中） [8]（正在进行中） 要求 Python 2.7 或 用法 首先，使用以下命令安装必备组件： $ pip install -U 'gym[all]' tqdm scipy 不要忘了还要安装最新的 。 还请注意，您需要安装所需的依赖项gym[all] 在没有gpu的情况下使用所述的DQN模型进行训练： $ python main.py --network_header_type=nips --env_na

多主体强化学习（MARL） 使用rllab通过量化在不同环境中执行的多个代理的随机梯度来开发强化学习。 实验室 rllab是用于开发和评估强化学习算法的框架。 它包括各种各样的连续控制任务以及以下算法的实现： rllab与完全兼容。 有关说明和示例，请参见。 rllab仅正式支持Python 3.5+。 对于坐在Python 2上的rllab的旧快照，请使用。 rllab支持在EC2集群上运行强化学习实验以及用于可视化结果的工具。 有关详细信息，请参见。 主要模块使用作为基础框架，并且我们在下支持TensorFlow。 文献资料 在线提供了文档： https : //rllab.readthedocs.org/en/latest/ 。 引用rllab 如果您使用rllab进行学术研究，强烈建议您引用以下文章： 严端，陈曦，赖因·豪特霍夫特，约翰·舒尔曼，彼得·阿比尔。 “对

gkp-rl 使用GKP代码进行量子错误校正的强化学习。

SWRLAPI Drools引擎 基于的推理程序和SWRL规则引擎的实现。 可以在找到文档。 入门 该库提供了SWRL规则和SQWRL引擎实现。 有关使用说明，请参见。 引擎的依赖项信息可以在以下位置找到： 从源头建造 要构建此项目，您必须安装以下项目： 用于签出存储库的工具。 Apache的 。 获取最新代码的副本： git clone https://github.com/protegeproject/swrlapi-drools-engine.git 转到swrlapi-drools-engine目录： cd swrlapi-drools-engine 然后使用Maven构建它： mvn clean install 构建完成后，本地Maven存储库将包含生成的swrlapi-drools-engine-$ {version} .jar文件。 该JAR由所使用