安装Gym-TORCS

[TOC] 关于Gym-TORCS Gym-TORCS是TORCS领域的强化学习(RL)环境,具有OpenAI-gym-like接口。 TORCS是最近在几项AI研究中用作RL基准任务的开源现实赛车模拟器。 安装xautomation: sudo apt-get install xautomation 安装mujoco-py: git clone https://github.com/openai/mujoco-py cd mujoco-py pip3 install -e . –no-cache –user 安装OpenAI-Gym:https://github.com/openai/gym sudo apt-get install -y python-numpy python-dev cmake zlib1g-dev libjpeg-dev xvfb libav-tools xorg-dev python-opengl libboost-all-dev libsdl2-dev swig sudo pip install ‘gym[all]‘ 安装Gym-TORCS:https://github.com/ugo-nama-kun/gym_torcs git clone https://github.com/ugo-nama-kun/gym_torcs.git cd /home/yyy/gym_torcs/vtorcs-RL-color sudo apt-get install libglib2.0-dev libgl1-mesa-dev libglu1-mesa-dev freeglut3-dev…

小试牛刀Keras之MNIST数据集识别

前言 在全世界中目前比较流行的深度学习框架主要有:Theano 、Torch 、PyTorch、Caffe、Tensorflow、MXNet、Keras。由于在笔者的工作中大部分是使用Tensorflow 和 Caffe,此外还有MXNet,但是对其他框架没有上过手,因此笔者有一个想法,就是把这些框架都体验一遍,并用这些框架都去实现一遍经典的深度学习网络模型。 关于Keras Keras是一个高层神经网络API,Keras由纯Python编写而成并基Tensorflow、Theano以及CNTK后端,并将其函数统一封装,使得用户可以以同一个接口调用不同后端引擎的函数。Keras默认使用Tensorflow作为其后端。 – Theano是一个开源的符号主义张量操作框架,由蒙特利尔大学LISA/MILA实验室开发。 – TensorFlow是一个符号yo的商业级工具包。 时间就是金钱,Keras具有网络层、损失函数、优化器、初始化策略、激活函数和正则化方法等独立模块,能简易快速地实现原型设计,可以大大提高我们动手实现网络模型的效率。 安装Keras 建议使用PyPI的方法安装: sudo pip install keras MNIST数据集识别 talk is cheap,show me the code. from __future__ import print_function import keras import tensorflow as tf from keras.datasets import mnist from keras.models import Sequential from keras.layers import Dense, Dropout, Flatten from keras.layers import Conv2D, MaxPooling2D…

每周点评之第七期:Semantic segmentation

图像语义分割,曾经用过FCN,训练过模型,分割出可行驶区域和农作物,用于农作物机器人自动壁障寻迹。 分享几个不错的图像语义分割的开源项目: 1.ENet 号称目前实时性最快的Semantic Segmentation,论文上表述在TX1上对480×320分辨率的输入图片能达到21.1fps的识别速度,但是我在TX2上在把所有核都开启的情况下,只能达到它的一半速度,里面还有很多优化的门道啊。 2.Awesome-semantic-segmentation 包含了semantic-segmentation的一些论文、开源项目、数据集等,:+1:

100 Days of Machine Learning Coding Challenge

机器学习编程100天的挑战是由Siraj Raval发起的,现在在推特上已经有很多人接受了挑战.挑战的三个规则是: Make a public pledge to code or study machine learning for minimum 1 hour every day for the next 100 days via your favorite social platform using the #100DaysofMLCode Hashtag. Make a public log of your work. Update it daily. Here is a GitHub example template. Another one is here. You can also…