chainerl，一个深度强化学习库
chainerrl的Python项目详细描述
链错误
ChaneRL是一个深度强化学习库，利用{a5}，一个灵活的深度学习框架，在Python中实现了各种最先进的深度增强算法。
安装
chainerrl使用python 2.7+和3.5.1+进行测试。有关其他要求，请参见requirements.txt。
chainerrl可以通过pypi安装：
pip install chainerrl
也可以从源代码安装它：
python setup.py install
有关安装的详细信息，请参阅Installation。
开始
你可以先试一下ChainerRL Quickstart Guide，或者检查一下examples准备好去参加阿塔里2600，然后打开人工智能健身房。
有关详细信息，请参阅ChainerRL's documentation。
算法
| Algorithm | Discrete Action | Continous Action | Recurrent Model | CPU Async Training |
|---|---|---|---|---|
| DQN (including DoubleDQN etc.) | ✓ | ✓ (NAF) | ✓ | x |
| Categorical DQN | ✓ | x | ✓ | x |
| Rainbow | ✓ | x | ✓ | x |
| IQN | ✓ | x | x | x |
| DDPG | x | ✓ | ✓ | x |
| A3C | ✓ | ✓ | ✓ | ✓ |
| ACER | ✓ | ✓ | ✓ | ✓ |
| NSQ (N-step Q-learning) | ✓ | ✓ (NAF) | ✓ | ✓ |
| PCL (Path Consistency Learning) | ✓ | ✓ | ✓ | ✓ |
| PPO | ✓ | ✓ | ✓ | x |
| TRPO | ✓ | ✓ | x | x |
| TD3 | x | ✓ | x | x |
在chainerl中实现了以下算法：
- a3c（异步优势参与者评论员）
- 宏（带体验重播的演员评论家）
- 异步n步q-学习
- 彩虹
- 分类dqn
- 智商
- DQN（包括双DQN、持续优势学习（PAL）、双PAL、动态策略规划（DPP））
- DDPG（深度确定性策略梯度）（包括SVG（0））
- 政策梯度定理
- 路径一致性学习
- PPO（近端策略优化）
- trpo（信任区域策略优化）
- TD3（双延迟深层确定性策略梯度算法）
基于q函数的算法（如dqn）可以利用标准化优势函数（naf）来解决连续动作问题以及类dqn的离散输出网络。
纸面实现
以下文件已在chainerrl中实现：
- Playing Atari with Deep Reinforcement Learning
- Human-level control through Deep Reinforcement Learning
- Deep Reinforcement Learning with Double Q-learning
- Prioritized Experience Replay
- Dueling Network Architectures for Deep Reinforcement Learning
- Asynchronous Methods for Deep Reinforcement Learning
- A Distributional Perspective on Reinforcement Learning
- Implicit Quantile Networks for Distributional Reinforcement Learning
- Rainbow: Combining Improvements in Deep Reinforcement Learning
- Increasing the Action Gap: New Operators for Reinforcement Learning
- Noisy Networks for Exploration
- Continuous control with deep reinforcement learning
- Proximal Policy Optimization Algorithms
- Trust Region Policy Optimization
- Sample Efficient Actor-Critic with Experience Replay
- Bridging the Gap Between Value and Policy Based Reinforcement Learning
- Addressing Function Approximation Error in Actor-Critic Methods
可视化
chainerrl有一组附带的visualization tools，以帮助开发人员理解和调试其rl代理。有了这个可视化工具，chainerl代理的行为可以从浏览器ui中轻松地检查。
环境
可以使用支持openai gym接口子集（reset和step方法）的环境。
贡献
任何对Chainerrl的贡献都将非常感谢！如果您对chainerrl感兴趣，请阅读CONTRIBUTING.md。
许可证
欢迎加入QQ群-->： 979659372
