qq_51324662的博客

离散时间Makov决策过程离散时间的Markov决策过程模型可以在离散时间的智能体/环境接口的基础上进一步引入具有Markov性的概率模型得到。奖励,汇报和价值函数对于回合制任务，驾驶某一回合在第t步达到终止状态，则从步骤t(t<T)以后的回报（return）Gt可以定义为未来奖励的和：Gt=Rt+1+Rt+2+…+Rt但是对于连续性任务，上述Gt的定义会带来一些麻烦。由于连续性的任务没有终止时间，所以Gt会包括t时刻以后的所有奖励信息。但是如果这样对未来的信息进行求和，那么未来奖励信息的总

GYM库gym基础GYM库版本：0.18.0导入gym环境env=gym.make("CartPole-v0")查看Gym库注册的环境from gym import envsenv_specs=env.registry.all()所有环境dict_values([EnvSpec(Copy-v0), EnvSpec(RepeatCopy-v0), EnvSpec(ReversedAddition-v0), EnvSpec(ReversedAddition3-v0), EnvSpec(Du

CIFAR-10数据集信息CIFAR10数据集包含60000张彩色图像，共10类，平均每类6000张图，图像大小是(32, 32)另外加载数据集已经做好了切分，训练集50000张，测试集10000张。#共有：‘airplane’, ‘automobile’, ‘bird’, ‘cat’, ‘deer’, ‘dog’, ‘frog’, ‘horse’, ‘ship’, ‘truck’，等十个类数据集图片（展示）测试集和训练集的制作将测试集和训练集打乱并且将数据重复10遍，设置

写在前面的话：这个模型借鉴了github上一个大佬的模型和他的文章：TensorFlow练手项目三：使用VGG19迁移学习实现图像风格迁移_食用方法：在setting.py里面更改配置就可以了# 内容特征层及loss加权系数CONTENT_LAYERS = {'block4_conv2': 0.5, 'block5_conv2': 0.5}# 风格特征层及loss加权系数geSTYLE_LAYERS = {'block1_conv1': 0.2, 'block2_conv1': 0.2, '

INCEPTION模块BN算法这里借鉴了一个博客一、BN算法产生的背景 做深度学习大家应该都知道，我们在数据处理部分，我们为了加速训练首先会对数据进行处理的。其中我们最常用的是零均值和PCA（白话）。首先我们进行简单介绍零均值带来的只管效果：​ 简单的划了一个草图。第一张图我们进行分析。由于我们对网络进行参数初始化，我们一般是采用零均值化。我们初始的拟合直线也就是红色部分。另外的一条绿色直线，是我们的目标直线。从图能够直观看出，我们应该需要多次迭代才能得到我们的需要的目标直线

NIN层简介：我们提出了一种新型的深度网络结构，称为“Network In Network”（NIN），它可以增强模型在感受野（receptive field）内对局部区域（local patches）的辨别能力。传统的卷积层使用线性滤波器来扫描输入，后面接一个非线性激活函数。而我们则构建了一些结构稍复杂的微型神经网络来抽象receptive field内的数据。我们用多层感知器实例化微型神经网络，这是一种有效的函数逼近器。特征图可以通过微型神经网络在输入上滑动得到，类似于CNN；接下来特征图被传入

Fashion-MNIST数据集介绍"""Loads the Fashion-MNIST dataset.This is a dataset of 60,000 28x28 grayscale images of 10 fashion categories,along with a test set of 10,000 images. This dataset can be used asa drop-in replacement for MNIST. The class labels are:

机器学习之波士顿房价预测Boston house prices datasetData Set Characteristics::Number of Instances: 506 :Number of Attributes: 13 numeric/categorical predictive. Median Value (attribute 14) is usually the target.:Attribute Information (in order): - CRIM p

验证码识别数据收集这里数据收集我们使用了河南某211高校的验证码数据集：收集一万张图片做数据集：import requestsfor i in range(1,10000): response=requests.get(url="https://jksb.v.zzu.edu.cn/vls6sss/zzjlogin3d.dll/zzjgetimg?ids="+str(i)) print(i) with open("photos/"+str(i)+".jpg","wb") a

TensorFlow基础#这一章更加系统的讲述了TensorFlow的基础知识（注：保存和分享一下笔记>^<）#检验了一下自己发现自己有关机器学习的知识并不是掌握的那么好这里再重修一遍，使知识系统起来。数据类型数据类型，包含数值类型，字符串类型和布尔类型。数值类型数值类型是TensorFlow的主要数据载体，根据维度数来区分可分为：标量：单个的实数，维度数为0，shape为[]。向量：n个实数的有有序集合，通过中括号包裹，维度为1，长度不定，shape为[n]。矩阵：n行m列

路面上有n辆车，以不同的速度向前行驶， 模拟堵车问题。有以下假设：1.假设某辆车的当前速度是v。2.若前方可见范围内没车，则它在下一秒的车速提高到v+1，直到达到规定的最高限速。3.若前方有车，前车的距离为d，且d < v，则它下 一秒的车速降低到d-1 。4.每辆车会以概率p随机减速v-1。#好了这是别人家的代码：import numpy as npfrom matplotlib.font_manager import FontPropertiesimport matplotlib.

资料补充numpy开发者文档numpy的一个很好的博客numpy常用API Python 数字Matplotlib常用APImatplotlib教程机器学习就是机器完善模型的过程。1.有监督的学习2.无监督的学习3.深度学习信息=》Feature vector=》model=》ExpectedLavel#一个划图像的代码import numpy as npimport matplotlib.pyplot as pltx=np.linspace(0.00001,3,100)