@devilmaycry812839668
I'm out of work.
About Tools for generating mini-ImageNet dataset and processing batches https://mtl.yyliu.net/download/
Extremely Fast End-to-End Deep Multi-Agent Reinforcement Learning Framework on a GPU
linux环境下的文件磁盘系统编写教程。最近在配置网络文件系统nfs，然后又发现了国产分布式文件系统fastdfs，于是十分好奇这个东西到底是什么原理，linux的文件系统是怎么搞出来的，可以不可以用Python语言配合C语言搞一个linux的磁盘文件系统呢，那种可以mount的，于是一查，还真有教程，感觉比较靠谱，这里转载下，也做收藏。
An OpenAI Gym environment for Super Mario Bros. & Super Mario Bros. 2. 俄罗斯方块Tetris姐妹篇，同样依赖于nes-py库
A Python3 NES emulator and OpenAI Gym interface.任天堂游戏模拟器，devilmaycry812839668/gym-tetris 游戏依赖于这个环境
设计了一种带有经验池回放机制的reinforce算法（reinforce with experience buffer），算法的主题部分使用多环境并行化的reinforce算法，并使用经验池回放机制来进一步改进算法。仿真环境使用gym的cartpole。
强化学习中的策略网络算法。《TensorFlow实战》一书中强化学习部分的策略网络算法，仿真环境为gym的CartPole，本项目是对原书代码进行了部分重构，是在以前的版本CartPole_PolicyNetwork项目基础上的改进版本，主要加入了更新网络策略时不同的奖励值设定来观察不同形式下的性能区别。
结合了前面几个版本的并行化强化学习的设计，给出了最终版本。gym下简单的CarlPole环境作为仿真环境，以reinforce算法作为实例算法，讨论了强化学习在多仿真环境下并行化设计的可行性，并给出了几种个人设计的架构，同时对各架构的性能进行了一定的分析。
gym下简单的CarlPole环境作为仿真环境，以reinforce算法作为实例算法，讨论了强化学习在多仿真环境下多步交互并行化设计的可行性，并给出了几种个人设计的架构，同时对各架构的性能进行了一定的分析。
gym下简单的CarlPole环境作为仿真环境，以reinforce算法作为实例算法，讨论了强化学习在多仿真环境下单步交互并行化设计的可行性，并给出了几种个人设计的架构，同时对各架构的性能进行了一定的分析。
强化学习中的策略网络算法。《TensorFlow实战》一书中强化学习部分的策略网络算法，仿真环境为gym的CartPole，本项目是对原书代码进行了部分重构，并加入了些中文注释，同时给出了30次试验的运行结果。
