gym

Bộ dữ liệu thể hình gồm 1.324 bài tập — ảnh động GIF, ảnh thu nhỏ 180x180, dữ liệu nhóm cơ & thiết bị, và hướng dẫn từng bước bằng 6 ngôn ngữ. Lớp dữ liệu bài tập đằng sau ứng dụng LogPress.

Phiên bản PyTorch của Stable Baselines, các bản cài đặt đáng tin cậy của thuật toán học tăng cường.

Một API chuẩn cho môi trường học tăng cường đơn tác nhân, kèm theo các môi trường tham chiếu phổ biến và các tiện ích liên quan (trước đây là Gym)

Triển khai tệp đơn chất lượng cao cho các thuật toán Deep Reinforcement Learning với các tính năng thân thiện với nghiên cứu (PPO, DQN, C51, DDPG, TD3, SAC, PPG)

🏋 Nền tảng huấn luyện thể hình mã nguồn mở hiện đại. Tạo kế hoạch tập luyện, theo dõi tiến độ và truy cập cơ sở dữ liệu bài tập toàn diện.

Phần mềm mã nguồn mở tự host để theo dõi thể dục/tập luyện, dinh dưỡng và cân nặng

Khung huấn luyện cho các agent học tăng cường Stable Baselines3, bao gồm tối ưu hóa siêu tham số và các agent được huấn luyện sẵn.

MuZero

Framework tính toán tiến hóa tăng tốc bằng GPU phân tán. Thư viện toàn diện về các thuật toán tiến hóa và bài toán benchmark.

Môi trường PyBullet Gymnasium cho học tăng cường đơn và đa tác nhân để điều khiển quadcopter

[NeurIPS 2023 Spotlight] LightZero: Một chuẩn mực thống nhất cho Tìm kiếm cây Monte Carlo trong các kịch bản quyết định tuần tự tổng quát (MCTS tuyệt vời)

Công cụ thực thi môi trường song song hiệu suất cao dựa trên C++ (môi trường được vector hóa) cho các môi trường RL chung.

[NeurIPS 2025 Spotlight] Môi trường suy luận cho học tăng cường với phần thưởng có thể kiểm chứng.

Đánh giá và cải thiện các model và agent bằng cách sử dụng các môi trường

Thuật toán Asynchronous Advantage Actor-Critic (A3C) cho Super Mario Bros

Thư viện Reinforcement Learning (RL) dạng mô-đun (được triển khai bằng PyTorch, JAX và NVIDIA Warp) hỗ trợ Gymnasium/Gym, NVIDIA Isaac Lab, MuJoCo Playground và các môi trường khác.

Môi trường học tăng cường cho điều khiển tín hiệu giao thông với SUMO. Tương thích với Gymnasium, PettingZoo và các thư viện RL phổ biến.

Mã nguồn cho cuốn sách "Reinforcement Learning: Theory and Python Implementation"

Ứng dụng thể dục/tập luyện Flutter cho wger

Môi trường PyBullet CartPole và Quadrotor—với động lực học biểu tượng CasADi a priori—dành cho điều khiển dựa trên học máy và RL

Khung làm việc học tăng cường thống nhất

MobileGym: Nền tảng mô phỏng có thể kiểm chứng và song song hóa cao cho nghiên cứu tác nhân GUI di động · Trình mô phỏng Android chạy trên trình duyệt · Đánh giá có thể kiểm chứng · Đào tạo RL trực tuyến có khả năng mở rộng

Gói đóng góp cho Stable-Baselines3 - Mã học tăng cường (RL) thử nghiệm

Bộ sưu tập các môi trường đa tác nhân dựa trên OpenAI gym.

VMAS là trình mô phỏng vi phân vector hóa được thiết kế để đánh giá hiệu quả Học tăng cường đa tác nhân (Multi-Agent Reinforcement Learning). Nó bao gồm một công cụ vật lý 2D vector hóa viết bằng PyTorch và một tập hợp các kịch bản đa robot đầy thử thách. Các kịch bản bổ sung có thể được triển khai thông qua giao diện đơn giản và mô-đun.

Ứng dụng đa nền tảng để theo dõi quá trình tập luyện thể hình của bạn.

Triển khai các thuật toán học tăng cường đa mục tiêu.

Một môi trường Gym dành cho các Agentic LLM

Your workout logs visualized!