frank_07的博客

[python]

# -*- coding:utf-8 -*-import pandas as pdimport numpy as npimport matplotlib.pyplot as pltimport tensorflow as tfimport randomfrom sklearn.preprocessing import MinMaxScaler# 设置常量time_step = 10 #

转载：生成对抗网络的tensorflow实现

转自:tensorflow高阶教程:tf.dynamic_rnntensorflow 的dynamic_rnn方法，我们用一个小例子来说明其用法，假设你的RNN的输入input是[2,20,128]，其中2是batch_size,20是文本最大长度，128是embedding_size，可以看出，有两个example，我们假设第二个文本长度只有13，剩下的7个是使用0-padding方法填充的。dy

生成对抗网络GANs（Generative Adversarial Nets from datetime import datetimeimport tensorflow as tfimport numpy as npimport matplotlib.pyplot as pltimport matplotlib.gridspec as gridspecfrom tensorflow.e

1、预测sin函数import numpy as npfrom matplotlib import pyplot as pltfrom keras.models import Sequentialfrom keras.layers import Densefrom keras.layers import LSTMfrom keras import optimizersfrom keras

import numpy as npimport stringchars=string.ascii_lowercasechars'abcdefghijklmnopqrstuvwxyz'char2num={v:k for k,v in enumerate(chars)}num2char={k:v for k,v in enumerate(chars)}#输入'abc','de'对应在chars

Q-Learning算法整个算法就是一直不断更新 Q table 里的值, 然后再根据新的值来判断要在某个 state 采取怎样的 action. Qlearning 是一个 off-policy 的算法, 因为里面的 max action 让 Q table 的更新可以不基于正在经历的经验(可以是现在学习着很久以前的经验,甚至是学习他人的经验).Q-learning中的Q函数Ne...

DQN（Deep Q-Learning）通常，强化学习的设置由两部分组成，一个是智能体（Agent），另一个是环境（Environment）。 强化学习是学习一个最优策略(policy)，可以让 智能体(Agent) 在 特定环境(Environment) 中，根据当前状态(state)，做出行动(action)，从而获得最大回报(reward)。DQN要做的就是将卷积神经网络（CN...