apache设置中文支持&长文件名显示

Apache中文乱码与目录截断解决
最新推荐文章于 2025-05-06 14:23:46 发布
转载 最新推荐文章于 2025-05-06 14:23:46 发布 · 2.4k 阅读 · 2

本文介绍了解决Apache服务器中文文件名显示乱码及目录名过长被截断的问题。通过设置IndexOptions Charset=UTF-8来指定页面默认语言编码，并在autoindex.conf中调整FancyIndexing参数以防止目录名截断。

apache版本：httpd-2.4

redhat/centos 7 默认配置好后，访问自定义的网站，a.中文文件名乱码，b.由于目录名过长，被截断，后面就跟着乱码，

1.修改页面默认语言编码

    <Directory "/var/www/html">   #<-----找到网站根目录位置

            ....

            IndexOptions Charset=UTF-8   #<-----添加此项

    </Directory>

2.修改目录文件名不要被截断

    打开编辑/etc/httpd/conf.d/autoindex.conf，找到“FancyIndexing HTMLTable VersionSort”这段，并修改：

    FancyIndexing HTMLTable VersionSort NameWidth=*    #<--添加红色字段

 

设置以上两项，问题解决！


转自：https://my.oschina.net/u/2377556/blog/423374

zhangfei_kr
关注
PPO算法:近端策略优化算法原理分析
AI天才研究院
04-07 1335
强化学习是机器学习的一个重要分支,在许多领域都有广泛的应用,如游戏、机器人、自然语言处理等。其中,基于策略梯度的强化学习算法是一类非常重要的算法,如REINFORCE、Actor-Critic、PPO等。这些算法通过优化策略函数来最大化累积奖赏,从而学习出最优的行为策略。在强化学习算法中,PPO(Proximal Policy Optimization)算法是近年来最流行和有影响力的算法之一。
强化学习：PPO
2301_81887304的博客
01-02 1850
策略网络：两个全连接层，最后的输出经过softmax函数处理（因为是动作是离散的）价值网络：两个全连接层，输出是维度是1，表示'价值'In [2]首先定义优势计算函数compute_advantage定义PPO算法类init:初始化函数，包括策略网络，价值网络，两个网络的优化器，折扣因子等参数take_action：动作抽样函数，使用分类分布函数Categoricalupdate：网络的更新操作，clip方式save:保存网络，仅保存了策略网络。
从TRPO到PPO（理论分析与数学证明）
行者AI
08-09 1033
本文首发于行者AI一篇关于强化学习算法的理论推导，或许可以帮助你理解PPO算法背后的原理，从而找到改进PPO算法的灵感…
从 PG 到 TRPO 到 PPO 到 IMPALA
想写就写咯
08-23 1002
文章目录前言PGTRPOPPO 前言 PPO太经典了，但是我没有完整研究过，补一下。 PG 这类方法都是优化问题，找到参数θ\thetaθ最大化目标函数J(θ)J(\theta)J(θ)，大多使用梯度上升的方式。 优点： 更好的收敛性质 在高维或连续动作空间有效 可以学习随机策略 不会出现策略退化现象 缺点： 可以收敛到不动点，但往往是局部最优 对策略的评估往往是低效并且高方差的 数据效率和鲁棒性不行。 对于目标函数的推导，这个博客写的很好。 PG的目标函数有很多形式，对应不同的算法： 这里vtv
强化学习--信赖域系方法：TRPO、PPO（附适合初学者阅读的完整PPO代码连接）
秋曾万的博客
09-05 2万+
在前面的章节里，我们已经介绍了基于策略的强化学习算法，也提到了异策略强化学习需要满足的条件：由于重要性采样的关系我们希望每次更新的时候策略分布之间差距并不是很大，这实际上是一种约束，即我们希望能每次更新的时候不大幅度地改变分布的形态，基于这种考虑openai的前辈们提出了TRPO算法，但是TRPO算法会有一些缺陷，他拿二次函数去近似约束条件，拿一次函数近似待优化的损失函数，这种近似会造成收敛上的困...
RL 实践（7）—— CartPole【TRPO & PPO】
佚失的诗篇
08-15 1812
本文介绍 PPO 这个 online RL 的经典算法，并在 CartPole-V0 上进行测试。由于 PPO 是源自 TRPO 的，因此也会在原理部分介绍 TRPO
强化学习笔记4——TRPO，PPO
qq_48342932的博客
02-22 1455
假设我们想要计算一个复杂分布 P下某个函数f(x)的期望值。这个分布 P 很复杂，直接从中采样非常困难。为了解决这个问题，可以使用重要性采样。: 我们选择一个更简单的分布 Q，从这个分布中采样相对容易。例如，如果 P 是一个复杂的多峰分布，我们可以选择一个简单的高斯分布作为 Q。: 假设我们从 Q 中随机抽取了一系列样本 x1​,x2​,...,xn​。: 对于每个样本 xi​，我们计算重要性权重 wi​=Q(xi​)/P(xi​)​。这个权重衡量了在两个分布之间转换样本的比例。
强化学习学习之：TRPO，PPO 算法
强化学习曾小健
12-30 1219
然后第三部，也就是PPO进来的时候了，在第三步骤中，我们需要把优化好的reward模型结合LLM 进行PPO fine-tuning, 这个步骤应该说是基于一个高质量的reward模型对LLM 也就是我们的policy maker进行打分，从而强化LLM （也就是 policy的输出质量）。总之，TRPO 为策略优化提供了一个稳健的框架，通过管理每次更新期间允许策略改变的程度，帮助稳定训练过程并改善基于策略的方法在强化学习中的收敛性。- 重复收集数据和更新策略的过程，直到收敛或达到满意的性能水平。
强化学习 | 策略梯度 | Natural PG | TRPO | PPO
111辄的博客
03-11 1万+
递进学习策略梯度：从 Gradient、Policy Gradient (REINFORCE、Q Actor-Critic、Advantage Actor-Critic ) 至 Natural Policy Gradient、TRPO、PPO 。逻辑清晰，含大量手写笔记，注释了黎曼流形、Hessian矩阵等30余个数学概念
PPO 算法
u012374012的专栏
05-06 1669
PPO 是 TRPO 的一种改进算法，它在实现上简化了 TRPO 中的复杂计算，并且它在实验中的性能大多数情况下会比 TRPO 更好，因此目前常被用作一种常用的基准算法。需要注意的是，TRPO 和 PPO 都属于在线策略学习算法，即使优化目标中包含重要性采样的过程，但其只是用到了上一轮策略的数据，而不是过去所有策略的数据。PPO 是 TRPO 的第一作者 John Schulman 从加州大学伯克利分校博士毕业后在 OpenAI 公司研究出来的。
ChatGPT技术原理解析：从RL之PPO算法、RLHF到GPT4、instructGPT
热门推荐
结构之法 算法之道
01-15 22万+
本篇ChatGPT笔记会全力做到，通俗易懂且循序渐进(尽最大努力让每一个初学者哪怕是文科生都能没有障碍的读懂每一字一句、每一个概念、每一个公式) 一方面，对于想了解ChatGPT背后原理和如何发展而来的，逐一阐述从GPT/GPT2/GPT3到强化学习、PPO算法，最后再到instructGPT、ChatGPT、SeqGAN 且本文之前，99%的文章都不会把PPO算法从头推到尾，本文会把PPO从零推到尾，按照“RL-策略梯度-重要性采样(重要性权重)-TRPO(增加信任区域和KL散度约束)-PPO”的顺序逐步
TRPO,PPO,DDPG
最新发布
05-19
source_params (list): Corresponding list from online/source model used to compute updates. tau (float): Interpolation factor controlling how much we move towards new values each step. Returns: ...
PPO/TRPO算法
03-08
### PPO 和 TRPO 算法原理 #### 近端策略优化(PPO) PPO（Proximal Policy Optimization）是一种用于强化学习中的策略梯度方法，旨在解决TRPO中的一些实现难题。该算法通过引入一种剪切函数或者惩罚机制来控制新旧...
多智能体强化学习
rl小透明
12-06 1万+
传统RL算法面临的一个主要问题是由于每个智能体都是在不断学习改进其策略，因此从每一个智能体的角度看，环境是一个动态不稳定的，这不符合传统RL收敛条件。并且在一定程度上，无法通过仅仅改变智能体自身的策略来适应动态不稳定的环境。由于环境的不稳定，将无法直接使用之前的经验回放等DQN的关键技巧。policy gradient算法会由于智能体数量的变多使得本就有的方差大的问题加剧。 1.强化学习和多智能体强化学习 我们知道，强化学习的核心思想是“试错”（trial-and-error）：智能体通过与环境的交互，根据
强化学习方向常见面试题总结
rl小透明
10-28 1万+
最近在准备面试，从“深度强化学习实验室 (neurondance.com)”上偶然看到了强化学习常见面试题的总结，自己简单的写了一下，由于很多东西都是自己随口一说，里面会有很多问题和错误，期待大家一起交流讨论。 <!--蒙特卡洛、TD、动态规划的关系？--> 动态规划属于有模型强化学习的范畴，蒙特卡洛和TD都属于无模型的范畴。 蒙特卡洛和TD都需要通过采样来获取数据进行学习 蒙特卡洛需要采样整个样本序列，无偏差，但是方差大 ...
常用的强化学习框架
rl小透明
11-02 7510
常用的强化学习框架 OpenAI Gym (GitHub) (docs) rllab (GitHub) (readthedocs) Ray (Doc) Dopamine: https://github.com/google/dopamine (uses some tensorflow) trfl: https://github.com/deepmind/trfl (uses tensorflow) ChainerRL (GitHub) (API: Python) Surreal GitHub (API:
TD3和DDPG的伪代码
rl小透明
06-30 4442
TD3的技巧 技巧一：裁剪的双Q学习(Clipped Double-Q learning). 与DDPG学习一个Q函数不同的是，TD3学习两个Q函数(因此称为twin)，并且利用这两个Q函数中较小的哪个Q值来构建贝尔曼误差函数中的目标网络。 技巧二：延迟的策略更新(“Delayed” Policy Updates). TD3算法中，策略(包括目标策略网络)更新的频率要低于Q函数的更新频率。文章建议Q网络每更新两次，策略网络才更新一次。 络才更新一次。 技巧三：目标策略平滑(Target Policy S..
基于策略搜索的强化学习方法（PG，TRPO，PPO，DPPO，AC，A3C，DDPG，TD3）
rl小透明
10-02 3797
基于策略搜索的强化学习方法 1.policy gridient 1.1 基础推导 1.2 Tip Tip1： add a baseline（增加基线） 因为原来的梯度，一直都会取正数，不是特别合适，但是这样其实无可厚非，因为可以用过大小进行区分，但我们这里更好的办法是给他加入一个基线，让其有正有负。 Tip2：Assign Suitable Credit 因为如果对于每个执行的动作，都使用同样的全局reward，则会有损公平性，因为在同一个episode中，并不是所有的动作都是同样好的，所以我们这里使用
有模型强化学习总结
rl小透明
04-26 3040
有模型和无模型的区别 1.有了模型，我们可以干哪些事呢? 第一， 利用模型和基于模型的优化算法，我们可以得到回报高的数据，也就是好的数据。有了好的数据，我们就可以对策略网络进行稳定的训练了。 第二， 有了模型，我们可以充分地利用示例（demonstration）学习。人的示例可以当成模型的初值 第三，提高数据利用率，在真实环境中采集到的数据不白白扔掉，而是用来构建模型 第四，利用已有的数据学到系统的模型后，利用这个模型你就可以预测其他未知状态处的值了。无模型的强化学习只能依靠尝试，与环境交互得到其他未知状态
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值