人工智能深度学习机器学习强化学习【免费下载链接】TensorLayerDeep Learning and Reinforcement Learning Library for Scientists and Engineers项目地址https://gitcode.com/gh_mirrors/te/TensorLayer点击查看免费下载TensorLayer 是一个基于 TensorFlow 构建的深度学习和强化学习库面向科研人员与工程师提供大量可定制的神经网络层与函数用于搭建真实世界的 AI 应用。本文以仓库根目录下的 README.rst 为核心骨架结合 setup.py、tensorlayer/package_info.py 与 tensorlayer/__init__.py 等源码文件完整梳理其设计理念、模块组成、多方式安装PyPI、源码、Docker与引用规范帮助你快速评估并落地使用该库。项目定位面向科研与工程实践的 TensorFlow 高级封装库据项目 README.rst 的介绍TensorLayer 是基于 TensorFlow 的深度学习和强化学习库其定位读者群是研究人员与工程师目标是用一套简洁、灵活、高性能的 API 覆盖从原型验证到真实应用的全过程。README 还提到该项目曾在 2017 年被 ACM Multimedia Society 评为最佳开源软件并已被北京大学、帝国理工学院、加州大学伯克利分校、卡内基梅隆大学、斯坦福大学等学术机构以及 Google、Microsoft、Alibaba、Tencent、Xiaomi、Bloomberg 等公司使用——上述表述均来自项目官方 README 的陈述。从仓库的实际代码看TensorLayer 的深度体现在其模块化程度tensorlayer/目录下包含layers卷积、全连接、循环、池化、归一化、空间变换等各类网络层、modelsVGG、ResNet、MobileNetV1、SqueezeNetV1、Seq2Seq 等预定义模型见 tensorlayer/models/、filesMNIST、CIFAR-10、IMDB、PTB、VOC、WMT 等数据集加载器见 tensorlayer/files/dataset_loaders/、cost损失函数、optimizers优化器、rein强化学习工具、app目标检测、人体姿态估计等应用层封装见 tensorlayer/app/等模块。这些模块在 tensorlayer/__init__.py 中被统一导入并暴露为顶层 API构成高可定制层 开箱即用模型的双层结构。三大设计特性Simplicity、Flexibility 与 Zero-cost AbstractionREADME 将 TensorLayer 的设计理念概括为三条这也是理解整个库的钥匙Simplicity简洁性提供高层的 layer/model 抽象学习成本低。配合大量官方示例仓库的 examples/ 目录即包含入门教程、数据预处理、预训练 CNN、量化网络、强化学习、文本生成等十几个专题的完整可运行脚本开发者可以在很短时间内上手。Flexibility灵活性API 透明、灵活设计上受到 PyTorch 启发。与 Keras 这类封装相比TensorLayer 在构建和训练复杂 AI 模型时限制更少更贴近 TensorFlow 底层能力。Zero-cost Abstraction零成本抽象虽然易用但不要求在使用体验上牺牲 TensorFlow 的性能。从源码结构可以印证这一设计例如 tensorlayer/layers/ 下除了常规的dense、convolution、pooling等还细分出binary_conv、ternary_conv、quan_conv、dorefa_conv、deformable_conv、depthwise_conv、group_conv、super_resolution等专项实现说明该库在易用封装之外确实保留了让研究者深入定制底层行为的能力tensorlayer/models/ 则提供Model核心类与多个经典网络用于快速搭建完整模型对应测试见 tests/models/。仓库源码布局一览在动手安装前先了解仓库的组织方式有助于后续查阅tensorlayer/库主体源码。顶层模块包括activation、array_ops、cost、files、initializers、iterate、layers、models、optimizers、prepro、rein、utils、visualize、distributed、db、nlp、app等其中db、distributed、nlp、prepro、utils、visualize采用懒加载LazyImport见 tensorlayer/__init__.py。examples/覆盖模型、数据处理、数据库任务分发、分布式训练、预训练 CNN、量化网络、强化学习A3C、DQN、PPO、SAC、TD3、TRPO 等十余种算法、空间变换网络、文本分类/生成/词嵌入、ONNX 导出的完整示例脚本。tests/分层测试layers/、models/、utils/等可用于验证安装正确性。docs/Sphinx 文档源码docs/modules/按模块生成 API 文档docs/user/为用户指南。requirements/按场景拆分的依赖清单详见下文。docker/Docker 镜像构建配置。值得注意的版本约束从 tensorlayer/__init__.py 的代码可以看出导入 TensorLayer 时会强制检查 TensorFlow 版本低于 2.0.0 会直接抛出 RuntimeError因此本仓库对应的 TensorLayer 2.x 系列要求 TensorFlow 2.0.0。仓库当前版本号在 tensorlayer/package_info.py 中定义为 2.2.4MAJOR 2, MINOR 2, PATCH 4。安装 TensorLayer环境前提TensorLayer 的依赖包括 TensorFlow、numpy 及其他科学计算库如需 GPU 训练还需满足 CUDA 与 cuDNN 环境。基础运行依赖定义在 requirements/requirements.txt包括numpy1.16、scipy1.2.1、scikit-learn0.21.0、scikit-image0.15.0、h5py2.9、imageio2.5.0、progressbar23.39.3、requests2.21.0、wrapt1.11.1、cloudpickle0.8.1。方式一通过 PyPI 安装推荐最简单的方式是使用 Python 包索引# 安装最新稳定版 pip install --upgrade tensorlayer # 安装最新候选发布版pre-release pip install --upgrade --pre tensorlayer如果需要额外的可选依赖README 给出了三种常用的 extras 组合pip install --upgrade tensorlayer[all] # 全部附加依赖 pip install --upgrade tensorlayer[extra] # 仅 extra 依赖 pip install --upgrade tensorlayer[contrib_loggers] # 仅 contrib_loggers 依赖这些 extras 在 setup.py 中实际定义得更为细致。结合源码可以看到extras_require字典包含tf_cpu、tf_gpu、extra、contrib_loggers、test、dev、doc、db等分组并进一步组合出all、all_cpu、all_gpu、all_dev、all_cpu_dev、all_gpu_dev等聚合分组extra对应 requirements/requirements_extra.txtopencv-python4.1.0.25、nltk3.3,3.5、matplotlib2.2,3.1、requests2.21.0、tqdm4.31.1、lxml4.3.3主要用于图像处理、NLP 与可视化等场景。contrib_loggers对应 requirements/requirements_contrib_loggers.txthyperdash0.15,0.16用于实验指标日志上报。tf_cpu/tf_gpu对应 requirements/requirements_tf_cpu.txt 与 requirements/requirements_tf_gpu.txt分别为tensorflow2.0.0-alpha0与tensorflow-gpu2.0.0-rc1可按硬件环境单独安装 TensorFlow 后端。从 setup.py 可以看到all分组是extra contrib_loggers的并集因此在 README 给出的三个安装命令中tensorlayer[all]已经覆盖了图像、NLP、可视化与日志监控等绝大多数场景适合大多数用户。方式二从 GitHub 仓库直接安装如需安装最新开发版或某个分支版本可以跳过 PyPI 直接从仓库拉取pip install https://github.com/tensorlayer/tensorlayer/archive/master.zip # 或指定分支 # pip install https://github.com/tensorlayer/tensorlayer/archive/branch-name.zip方式三使用 Docker 一键环境TensorLayer 官方提供基于 TensorFlow 官方镜像构建的容器tensorlayer/tensorlayer开箱即用免去手动配置依赖的麻烦。仓库中的 docker/Dockerfile 通过TF_CONTAINER_VERSION构建参数控制基础镜像支持四种标签组合标签含义latestPython 2 CPUlatest-py3Python 3 CPUlatest-gpuPython 2 GPUlatest-gpu-py3Python 3 GPUCPU 版本# Python 2 docker pull tensorlayer/tensorlayer:latest docker run -it --rm -p 8888:8888 -p 6006:6006 -e PASSWORDJUPYTER_NB_PASSWORD tensorlayer/tensorlayer:latest # Python 3 docker pull tensorlayer/tensorlayer:latest-py3 docker run -it --rm -p 8888:8888 -p 6006:6006 -e PASSWORDJUPYTER_NB_PASSWORD tensorlayer/tensorlayer:latest-py3GPU 版本需要预先安装 NVIDIA-Docker否则容器无法访问 GPU 设备# Python 2 docker pull tensorlayer/tensorlayer:latest-gpu nvidia-docker run -it --rm -p 8888:8888 -p 6006:6006 -e PASSWORDJUPYTER_NB_PASSWORD tensorlayer/tensorlayer:latest-gpu # Python 3 docker pull tensorlayer/tensorlayer:latest-gpu-py3 nvidia-docker run -it --rm -p 8888:8888 -p 6006:6006 -e PASSWORDJUPYTER_NB_PASSWORD tensorlayer/tensorlayer:latest-gpu-py3以上命令分别映射了 Jupyter Notebook8888与 TensorBoard6006端口并通过PASSWORD环境变量设置 Jupyter 访问密码适合直接用于交互式实验。结合 docker/Dockerfile 的构建逻辑可以看出未指定TL_VERSION时会从 GitHub 克隆最新代码并以可编辑模式安装pip install -e .[all]即开发版指定TL_VERSION时则安装对应 tag 的正式发布版tensorlayer[all]TL_VERSION同时会按 Python 版本自动安装python-tk或python3-tk保证 matplotlib 等可视化工具可用。验证安装与快速上手安装完成后可通过一条导入命令验证环境是否就绪import tensorlayer as tl print(tl.__version__) # 当前仓库版本为 2.2.4注意如果环境中缺少 TensorFlow或 TensorFlow 版本低于 2.0.0导入时会直接抛出带安装指引的 ImportError / RuntimeError见 tensorlayer/__init__.py这本身也是一种便捷的环境自检。验证通过后推荐从 examples/basic_tutorials/ 开始例如tutorial_mnist_simple.py最简 MNIST 分类快速感受高层 API。tutorial_mnist_mlp_static.py 与 tutorial_mnist_mlp_dynamic.py分别展示静态图Autograph与动态图Eager两种编程范式。强化学习方向可参考 examples/reinforcement_learning/ 下的 DQN、PPO、SAC、TD3、A3C 等算法实现。应用层封装可参考 examples/app_tutorials/ 中的 YOLOv4 目标检测与 3D 人体姿态估计示例对应实现位于 tensorlayer/app/。仓库的 tests/ 目录还提供了按模块划分的自动化测试如 tests/layers/、tests/models/可作为理解各 API 行为与验证环境稳定性的参考。贡献指南如果你计划向 TensorLayer 提交 Pull Request请先阅读仓库根目录下的 CONTRIBUTING.md其中包含代码风格、测试与提交流程等约定是外部贡献者必须遵守的规范。如何引用 TensorLayer如果在研究工作中使用了 TensorLayerREADME 建议引用其官方论文。仓库提供了两篇文献的 BibTeX 条目可按需选用article{tensorlayer2017, author {Dong, Hao and Supratak, Akara and Mai, Luo and Liu, Fangde and Oehmichen, Axel and Yu, Simiao and Guo, Yike}, journal {ACM Multimedia}, title {{TensorLayer: A Versatile Library for Efficient Deep Learning Development}}, url {http://tensorlayer.org}, year {2017} } inproceedings{tensorlayer2021, title{Tensorlayer 3.0: A Deep Learning Library Compatible With Multiple Backends}, author{Lai, Cheng and Han, Jiarong and Dong, Hao}, booktitle{2021 IEEE International Conference on Multimedia \ Expo Workshops (ICMEW)}, pages{1--3}, year{2021}, organization{IEEE} }其中 2017 年的 ACM Multimedia 论文对应 TensorLayer 早期版本的定位2021 年的论文则介绍了面向多后端兼容的 3.0 版本演进方向。需要说明的是本仓库当前代码对应的是 2.2.4 版本见 tensorlayer/package_info.py。开源许可证TensorLayer 基于 Apache 2.0 许可证发布见 LICENSE.rst允许自由使用、修改与再分发适合学术研究与商业项目集成。赞分享人工智能深度学习机器学习强化学习【免费下载链接】TensorLayerDeep Learning and Reinforcement Learning Library for Scientists and Engineers项目地址https://gitcode.com/gh_mirrors/te/TensorLayer点击查看免费下载相关推荐深度强化学习库rlpyt的安装与配置指南深度强化学习库rlpyt的安装与配置指南 1. 项目基础介绍 rlpyt 是一个基于 PyTorch 的深度强化学习Deep Reinforcement LeMin 浏览器源码仓库导读特性架构、Linux 安装与多平台构建实战指南Min 浏览器源码仓库导读特性架构、Linux 安装与多平台构建实战指南 Min当前仓库版本 1.35.5基于 Electron 42.4.1是一款主打桌面应用TensorLayer 2.0 完全指南面向科研与工程实践的 TensorFlow 深度强化学习库TensorLayer 2.0 完全指南面向科研与工程实践的 TensorFlow 深度强化学习库 TensorLayer 是一款基于 TensorFlow人工智能深度学习机器学习强化学习上一篇攻克html-to-image SVG序列化难题从问题诊断到场景落地的实战指南下一篇gh_mirrors/dotfiles52/dotfiles极简配置如何每天帮你节省数千次击键创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 TensorLayer 2.x 深度强化学习库指南：设计特性、安装部署与仓库源码导读
人工智能深度学习机器学习强化学习【免费下载链接】TensorLayerDeep Learning and Reinforcement Learning Library for Scientists and Engineers项目地址https://gitcode.com/gh_mirrors/te/TensorLayer点击查看免费下载TensorLayer 是一个基于 TensorFlow 构建的深度学习和强化学习库面向科研人员与工程师提供大量可定制的神经网络层与函数用于搭建真实世界的 AI 应用。本文以仓库根目录下的 README.rst 为核心骨架结合 setup.py、tensorlayer/package_info.py 与 tensorlayer/__init__.py 等源码文件完整梳理其设计理念、模块组成、多方式安装PyPI、源码、Docker与引用规范帮助你快速评估并落地使用该库。项目定位面向科研与工程实践的 TensorFlow 高级封装库据项目 README.rst 的介绍TensorLayer 是基于 TensorFlow 的深度学习和强化学习库其定位读者群是研究人员与工程师目标是用一套简洁、灵活、高性能的 API 覆盖从原型验证到真实应用的全过程。README 还提到该项目曾在 2017 年被 ACM Multimedia Society 评为最佳开源软件并已被北京大学、帝国理工学院、加州大学伯克利分校、卡内基梅隆大学、斯坦福大学等学术机构以及 Google、Microsoft、Alibaba、Tencent、Xiaomi、Bloomberg 等公司使用——上述表述均来自项目官方 README 的陈述。从仓库的实际代码看TensorLayer 的深度体现在其模块化程度tensorlayer/目录下包含layers卷积、全连接、循环、池化、归一化、空间变换等各类网络层、modelsVGG、ResNet、MobileNetV1、SqueezeNetV1、Seq2Seq 等预定义模型见 tensorlayer/models/、filesMNIST、CIFAR-10、IMDB、PTB、VOC、WMT 等数据集加载器见 tensorlayer/files/dataset_loaders/、cost损失函数、optimizers优化器、rein强化学习工具、app目标检测、人体姿态估计等应用层封装见 tensorlayer/app/等模块。这些模块在 tensorlayer/__init__.py 中被统一导入并暴露为顶层 API构成高可定制层 开箱即用模型的双层结构。三大设计特性Simplicity、Flexibility 与 Zero-cost AbstractionREADME 将 TensorLayer 的设计理念概括为三条这也是理解整个库的钥匙Simplicity简洁性提供高层的 layer/model 抽象学习成本低。配合大量官方示例仓库的 examples/ 目录即包含入门教程、数据预处理、预训练 CNN、量化网络、强化学习、文本生成等十几个专题的完整可运行脚本开发者可以在很短时间内上手。Flexibility灵活性API 透明、灵活设计上受到 PyTorch 启发。与 Keras 这类封装相比TensorLayer 在构建和训练复杂 AI 模型时限制更少更贴近 TensorFlow 底层能力。Zero-cost Abstraction零成本抽象虽然易用但不要求在使用体验上牺牲 TensorFlow 的性能。从源码结构可以印证这一设计例如 tensorlayer/layers/ 下除了常规的dense、convolution、pooling等还细分出binary_conv、ternary_conv、quan_conv、dorefa_conv、deformable_conv、depthwise_conv、group_conv、super_resolution等专项实现说明该库在易用封装之外确实保留了让研究者深入定制底层行为的能力tensorlayer/models/ 则提供Model核心类与多个经典网络用于快速搭建完整模型对应测试见 tests/models/。仓库源码布局一览在动手安装前先了解仓库的组织方式有助于后续查阅tensorlayer/库主体源码。顶层模块包括activation、array_ops、cost、files、initializers、iterate、layers、models、optimizers、prepro、rein、utils、visualize、distributed、db、nlp、app等其中db、distributed、nlp、prepro、utils、visualize采用懒加载LazyImport见 tensorlayer/__init__.py。examples/覆盖模型、数据处理、数据库任务分发、分布式训练、预训练 CNN、量化网络、强化学习A3C、DQN、PPO、SAC、TD3、TRPO 等十余种算法、空间变换网络、文本分类/生成/词嵌入、ONNX 导出的完整示例脚本。tests/分层测试layers/、models/、utils/等可用于验证安装正确性。docs/Sphinx 文档源码docs/modules/按模块生成 API 文档docs/user/为用户指南。requirements/按场景拆分的依赖清单详见下文。docker/Docker 镜像构建配置。值得注意的版本约束从 tensorlayer/__init__.py 的代码可以看出导入 TensorLayer 时会强制检查 TensorFlow 版本低于 2.0.0 会直接抛出 RuntimeError因此本仓库对应的 TensorLayer 2.x 系列要求 TensorFlow 2.0.0。仓库当前版本号在 tensorlayer/package_info.py 中定义为 2.2.4MAJOR 2, MINOR 2, PATCH 4。安装 TensorLayer环境前提TensorLayer 的依赖包括 TensorFlow、numpy 及其他科学计算库如需 GPU 训练还需满足 CUDA 与 cuDNN 环境。基础运行依赖定义在 requirements/requirements.txt包括numpy1.16、scipy1.2.1、scikit-learn0.21.0、scikit-image0.15.0、h5py2.9、imageio2.5.0、progressbar23.39.3、requests2.21.0、wrapt1.11.1、cloudpickle0.8.1。方式一通过 PyPI 安装推荐最简单的方式是使用 Python 包索引# 安装最新稳定版 pip install --upgrade tensorlayer # 安装最新候选发布版pre-release pip install --upgrade --pre tensorlayer如果需要额外的可选依赖README 给出了三种常用的 extras 组合pip install --upgrade tensorlayer[all] # 全部附加依赖 pip install --upgrade tensorlayer[extra] # 仅 extra 依赖 pip install --upgrade tensorlayer[contrib_loggers] # 仅 contrib_loggers 依赖这些 extras 在 setup.py 中实际定义得更为细致。结合源码可以看到extras_require字典包含tf_cpu、tf_gpu、extra、contrib_loggers、test、dev、doc、db等分组并进一步组合出all、all_cpu、all_gpu、all_dev、all_cpu_dev、all_gpu_dev等聚合分组extra对应 requirements/requirements_extra.txtopencv-python4.1.0.25、nltk3.3,3.5、matplotlib2.2,3.1、requests2.21.0、tqdm4.31.1、lxml4.3.3主要用于图像处理、NLP 与可视化等场景。contrib_loggers对应 requirements/requirements_contrib_loggers.txthyperdash0.15,0.16用于实验指标日志上报。tf_cpu/tf_gpu对应 requirements/requirements_tf_cpu.txt 与 requirements/requirements_tf_gpu.txt分别为tensorflow2.0.0-alpha0与tensorflow-gpu2.0.0-rc1可按硬件环境单独安装 TensorFlow 后端。从 setup.py 可以看到all分组是extra contrib_loggers的并集因此在 README 给出的三个安装命令中tensorlayer[all]已经覆盖了图像、NLP、可视化与日志监控等绝大多数场景适合大多数用户。方式二从 GitHub 仓库直接安装如需安装最新开发版或某个分支版本可以跳过 PyPI 直接从仓库拉取pip install https://github.com/tensorlayer/tensorlayer/archive/master.zip # 或指定分支 # pip install https://github.com/tensorlayer/tensorlayer/archive/branch-name.zip方式三使用 Docker 一键环境TensorLayer 官方提供基于 TensorFlow 官方镜像构建的容器tensorlayer/tensorlayer开箱即用免去手动配置依赖的麻烦。仓库中的 docker/Dockerfile 通过TF_CONTAINER_VERSION构建参数控制基础镜像支持四种标签组合标签含义latestPython 2 CPUlatest-py3Python 3 CPUlatest-gpuPython 2 GPUlatest-gpu-py3Python 3 GPUCPU 版本# Python 2 docker pull tensorlayer/tensorlayer:latest docker run -it --rm -p 8888:8888 -p 6006:6006 -e PASSWORDJUPYTER_NB_PASSWORD tensorlayer/tensorlayer:latest # Python 3 docker pull tensorlayer/tensorlayer:latest-py3 docker run -it --rm -p 8888:8888 -p 6006:6006 -e PASSWORDJUPYTER_NB_PASSWORD tensorlayer/tensorlayer:latest-py3GPU 版本需要预先安装 NVIDIA-Docker否则容器无法访问 GPU 设备# Python 2 docker pull tensorlayer/tensorlayer:latest-gpu nvidia-docker run -it --rm -p 8888:8888 -p 6006:6006 -e PASSWORDJUPYTER_NB_PASSWORD tensorlayer/tensorlayer:latest-gpu # Python 3 docker pull tensorlayer/tensorlayer:latest-gpu-py3 nvidia-docker run -it --rm -p 8888:8888 -p 6006:6006 -e PASSWORDJUPYTER_NB_PASSWORD tensorlayer/tensorlayer:latest-gpu-py3以上命令分别映射了 Jupyter Notebook8888与 TensorBoard6006端口并通过PASSWORD环境变量设置 Jupyter 访问密码适合直接用于交互式实验。结合 docker/Dockerfile 的构建逻辑可以看出未指定TL_VERSION时会从 GitHub 克隆最新代码并以可编辑模式安装pip install -e .[all]即开发版指定TL_VERSION时则安装对应 tag 的正式发布版tensorlayer[all]TL_VERSION同时会按 Python 版本自动安装python-tk或python3-tk保证 matplotlib 等可视化工具可用。验证安装与快速上手安装完成后可通过一条导入命令验证环境是否就绪import tensorlayer as tl print(tl.__version__) # 当前仓库版本为 2.2.4注意如果环境中缺少 TensorFlow或 TensorFlow 版本低于 2.0.0导入时会直接抛出带安装指引的 ImportError / RuntimeError见 tensorlayer/__init__.py这本身也是一种便捷的环境自检。验证通过后推荐从 examples/basic_tutorials/ 开始例如tutorial_mnist_simple.py最简 MNIST 分类快速感受高层 API。tutorial_mnist_mlp_static.py 与 tutorial_mnist_mlp_dynamic.py分别展示静态图Autograph与动态图Eager两种编程范式。强化学习方向可参考 examples/reinforcement_learning/ 下的 DQN、PPO、SAC、TD3、A3C 等算法实现。应用层封装可参考 examples/app_tutorials/ 中的 YOLOv4 目标检测与 3D 人体姿态估计示例对应实现位于 tensorlayer/app/。仓库的 tests/ 目录还提供了按模块划分的自动化测试如 tests/layers/、tests/models/可作为理解各 API 行为与验证环境稳定性的参考。贡献指南如果你计划向 TensorLayer 提交 Pull Request请先阅读仓库根目录下的 CONTRIBUTING.md其中包含代码风格、测试与提交流程等约定是外部贡献者必须遵守的规范。如何引用 TensorLayer如果在研究工作中使用了 TensorLayerREADME 建议引用其官方论文。仓库提供了两篇文献的 BibTeX 条目可按需选用article{tensorlayer2017, author {Dong, Hao and Supratak, Akara and Mai, Luo and Liu, Fangde and Oehmichen, Axel and Yu, Simiao and Guo, Yike}, journal {ACM Multimedia}, title {{TensorLayer: A Versatile Library for Efficient Deep Learning Development}}, url {http://tensorlayer.org}, year {2017} } inproceedings{tensorlayer2021, title{Tensorlayer 3.0: A Deep Learning Library Compatible With Multiple Backends}, author{Lai, Cheng and Han, Jiarong and Dong, Hao}, booktitle{2021 IEEE International Conference on Multimedia \ Expo Workshops (ICMEW)}, pages{1--3}, year{2021}, organization{IEEE} }其中 2017 年的 ACM Multimedia 论文对应 TensorLayer 早期版本的定位2021 年的论文则介绍了面向多后端兼容的 3.0 版本演进方向。需要说明的是本仓库当前代码对应的是 2.2.4 版本见 tensorlayer/package_info.py。开源许可证TensorLayer 基于 Apache 2.0 许可证发布见 LICENSE.rst允许自由使用、修改与再分发适合学术研究与商业项目集成。赞分享人工智能深度学习机器学习强化学习【免费下载链接】TensorLayerDeep Learning and Reinforcement Learning Library for Scientists and Engineers项目地址https://gitcode.com/gh_mirrors/te/TensorLayer点击查看免费下载相关推荐深度强化学习库rlpyt的安装与配置指南深度强化学习库rlpyt的安装与配置指南 1. 项目基础介绍 rlpyt 是一个基于 PyTorch 的深度强化学习Deep Reinforcement LeMin 浏览器源码仓库导读特性架构、Linux 安装与多平台构建实战指南Min 浏览器源码仓库导读特性架构、Linux 安装与多平台构建实战指南 Min当前仓库版本 1.35.5基于 Electron 42.4.1是一款主打桌面应用TensorLayer 2.0 完全指南面向科研与工程实践的 TensorFlow 深度强化学习库TensorLayer 2.0 完全指南面向科研与工程实践的 TensorFlow 深度强化学习库 TensorLayer 是一款基于 TensorFlow人工智能深度学习机器学习强化学习上一篇攻克html-to-image SVG序列化难题从问题诊断到场景落地的实战指南下一篇gh_mirrors/dotfiles52/dotfiles极简配置如何每天帮你节省数千次击键创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考