深度学习

1. sys.argv[1:]  # 在控制台进行参数的输入时，只使用第二个参数以后的数据 参数说明：控制台的输入:python test.py what, 使用sys.argv[1:]，那么将获得what这个数值 # test.py import sys print(sys.argv[1:]) 2. tf.split(value=x, num_or_siz…

1. tf.reuse_default_graph() # 对graph结构图进行清除和重置操作 2.tf.summary.FileWriter(path)构造writer实例化，以便进行后续的graph写入 参数说明：path表示路径 3.writer.add_graph(sess.graph) 将当前参数的graph写入到tensorboard中 参数说…

1.tf.nn.lrn(pool_h1, 4, bias=1.0, alpha=0.001/9.0, beta=0.75) # 局部响应归一化，使用相同位置的前后的filter进行响应归一化操作 参数说明：pool_h1表示输入数据，4表示使用前后几层进行归一化操作，bias表示偏移量，alpha和beta表示系数             局部响应的公式  …

1. 配套使用: tf.train.Examples将数据转换为二进制，提升IO效率和方便管理    对于int类型 ： tf.train.Examples(features=tf.train.Features(feature=tf.train.Feature(int64_list=tf.train.Int64List(value=[value]))))  …

空洞卷积， 从图中可以看出，对于一个3*3的卷积，可以通过使用增加卷积的空洞的个数，来获得较大的感受眼， 从第一幅图中可以看出3*3的卷积，可以通过补零的方式，变成7*7的感受眼，这里补零的个数为1，即dilated等于2  空洞卷积在语义分割中的使用较多，因为涉及到向下卷积和向上卷积，为了不使用padding降低图片的维度，造成feature_map的信息…

1. np.stack((x_t, x_t, x_t, x_t), axis=2)  将图片进行串接的操作，使得图片的维度为[80, 80, 4] 参数说明: (x_t, x_t, x_t, x_t) 表示需要进行串接的图片, axis = 2 表示在第三个维度上进行串接操作 2. cv2.resize(x, [80, 80])  # 将图片的维度变化为80…

强化学习使用的是bellmen方程，即当前奖励值 = max(当前位置的及时奖励 + discout_factor * 下一个方向的奖励值)   discount_factor表示奖励的衰减因子 使用的是预先制造好的九宫格的类 代码说明：      env.nA,即每个位置的下一个方向的个数为4       env.nS 表示九宫格的大小为16      e…

如下图所示：      初始点在 S0， 终点在S8， 其中红线的部分是墙，不能通过，绿色的圆圈是此刻所在位置。   每次实验的初始策略，是在任一的状态时可以选的动作其概率都是均等的，如果三个动作可以选就各为0.333333，如果是两个动作可以选就各是0.5。 每次实验通过不断的根据策略采样探索路径，并根据探索的路径修正策略从而达到策略迭代的目的，从而求得优…

转载地址： https://cloud.tencent.com/info/4d98965f9c6373715618099d79023bc4.html     本文原作者AI中国，原文链接http://ai.51cto.com/art/201812/588247.htm   作者：AI中国来源：今日头条 —————————-…

如下图所示：    初始点在 S0， 终点在S8， 其中红线的部分是墙，不能通过，绿色的圆圈是此刻所在位置。 在任一的状态时可以选的动作其概率都是均等的，如果三个动作可以选就各为0.333333，如果是两个动作可以选就各是0.5。           原书中已经提供代码，但是感觉看起来不是很明晰，于是修改了一下：  https://gitee.com/dev…