强化学习中样本的重要性加权转移
此存储库包含我们的强化学习中的重要性加权样本转移》的代码，该代码已在ICML 2018上接受。我们提供了一个小库，用于RL中的样本转移（名为TRLIB），包括重要性加权拟合Q的实现-迭代（IWFQI）算法[1]以及有关如何重现本文提出的实验的说明。
抽象的
我们考虑了从一组源任务中收集的强化学习（RL）中经验样本（即元组）的转移，以改善给定目标任务中的学习过程。 大多数相关方法都专注于选择最相关的源样本来解决目标任务，但随后使用所有已转移的样本，而无需再考虑任务模型之间的差异。 在本文中，我们提出了一种基于模型的技术，该技术可以自动估计每个源样本的相关性（重要性权重）以解决目标任务。 在所提出的方法中，所有样本都通过批处理RL算法转移并用于解决目标任务，但它们对学习过程的贡献与它们的重要性权重成正比。 通过扩展监督学习文献中提供的重要性加
2025-04-02 21:44:35
4.92MB
1
matlab中补充模代码2016-ICML-格罗莫夫-沃瑟斯坦
用Matlab代码重现论文的一些结果
加布里埃尔·佩雷（GabrielPeyré），马可·卡图里（Marco
Cuturi），贾斯汀·所罗门（Justin
Solomon），
ICML
2016。
仅实现形状插值应用程序。
compute_gw_barycenters.m：实现重心的计算。
perform_gw_sinkhorn.m：实现解决GW问题的耦合计算。
test_distmat_interpol.m：用于启动计算的主脚本。
将图形另存为.eps文件。
batch_barycenter_distances.m：以批处理模式启动计算。
data
/：包含形状的二进制图像。
mesh2d
/：Darren
Engwirda惊人的代码，用于对二维域进行网格化。
工具箱/：各种辅助功能。
2023-04-14 17:14:52
1.26MB
1
NetFPGA-1G-CML： Kintex-7 FPGA开发板 用户手册.pdf
2023-02-14 19:22:15
1.11MB
1
SYCML（SYCL ML）
轻量，功能强大的仅头机器学习库，使用SYCL编写，支持支持SPIR / SPIR-V指令的多厂商目标平台。 该库旨在替代cuML ， RAPIDS等，并提供各种加速器设备，例如任何供应商（甚至是Intel和AMD）的GPU以及FPGA和ASICS。
当前具有以下功能-
线性和逻辑回归。
PCA，SVD
K表示聚类
用法
用法很简单。 要定位加速器设备，只需在模型上调用.sycl()并在forward方法中将目标作为字符串传递。
#include "Regression.h"
int main(){
size_t size = 32768;
std::vector input_vector(size, 1.0f);
LinearRegression linearRegression(size); //Initia
2022-11-22 23:54:48
9.87MB
1
Tensorflow 实现论文"Spectral Normalization for Generative Adversarial Networks" (ICML 2017)
2022-11-16 20:14:41
178KB
1
很难得的ARCGIS下的VBA开发实例，其中 有很多实用代码，拿 来就可以直接使用
2022-09-20 11:01:51
1.76MB
Constrained Maximum Likelihood Estimation
2022-09-19 18:01:26
58KB