-
PyQt行星模拟.py
如果需要太阳，地球图片，下载好了放到一个名为res的文件夹里，取名sun.png, earth.png
- 2021-05-06下载
- 积分：1
-
小波变换python简单练习
【实例简介】
- 2021-09-09 00:31:06下载
- 积分：1
-
python 五子棋游戏源码(带背景音乐，基于pygame)
python 五子棋游戏源码(带背景音乐，基于pygame)
- 2019-11-19下载
- 积分：1
-
俄罗斯方块强化学习实验报告
一、俄罗斯方块DQN算法实验报告1. 网络结构图1 DQN网络结构2. 超参数 GAMMA = 0.99 # decay rate of past observations 设置增强学习更新公式中的累计折扣因子 OBSERVE = 500. # timesteps to observe before training 设置观察期的迭代次数 EXPLORE = 500. # frames over which to anneal epsilon 设置探索期的观察次数 FINAL_EPSILON = 0.002 # final value of epsilon 设置ε的最终最小值 INITIAL_EPSILON = 10.0 # starting value of epsilon 设置ε的初始值 REPLAY_MEMORY = 5900 # number of previous transitions to remember 设置replay memory的容量 BATCH = 32 # size of mini batch 设置每次网络参数更新世用的样本数目 K = 1 # only select an action every Kth frame, repeat prev for others，设置几帧图像进行一次动作， # K越大让控制台输出的速度变慢，游戏画面速度变快，机器人动作的速度变越迟缓。ACTIONS = 6 # number of valid actions 游戏动作数3.实验结果训练前期的self.score分数很低150左右，EPSILON=1.0，Q_MAX= 2.061341e-02：图2 EPSILON=1.0设置超参数EPSILON=0.05在1000步迭代之后：EPSILON固定在0.04999999999999416 Q_MAX = -1.163765e-01Self.score有明显的提升，但是之后无论训练多久都没有明显提升了。图3 EPSILON=0.05设置超参数EPSILON= 0.002在1001步迭代之后：EPSILON固定在0.000004 Q_MAX = 1.728995e 02Self.score可以轻松达到200以上。图4 EPSILON=0.000004设置超参数EPSILON= 0.000001在1001步迭代之后：EPSILON固定在-0.001998997999987482 Q_MAX = 1.899879e 03Self.score可以轻松达到200以上。图5 EPSILON=-0.002 【核心代码】用DQN来玩俄罗斯方块 tetrix_DQN ├── Wrapped Game Code│ └── tetris_fun.py├── deep_q_network.py├── logs_tetris│ ├── hidden.txt│ └── readout.txt└── saved_networks ├── tetris-dqn-10000.data-00000-of-00001 ├── tetris-dqn-10000.index ├── tetris-dqn-10000.meta └── tetris-dqn-316600003 directories, 8 files
- 2020-12-01下载
- 积分：1
-
Python实现人脸识别源码以及相关理论
人脸数据，Python代码，介绍了LDA,PCA,SVD技术在人脸识别中的理论和Python实现
- 2019-05-22下载
- 积分：1
-
招投标管理系统—python+django+sqlite3
招投标管理系统—python django sqlite3 环境下开发，作者本人开发，现在拿出来共同学习。 前台用户：test 123456 后台用户：admin 8ik,9ol.
- 2019-09-06下载
- 积分：1
-
python2.7 教程
【实例简介】
- 2021-08-11 00:30:57下载
- 积分：1
-
遗传算法解决 TSP 问题
遗传算法解决 TSP 问题，并将其可视化
- 2020-12-09下载
- 积分：1
-
信用异常检测(.ipynb)
样本数据不均衡的数据的解决方案： 过采样：生成样本少的样本，和样本多的样本一样多（同样多） 下采样：两种样本一样小，从多的样本中删除一部分（同样少） 特征缩放：对Amount列进行特征缩放，使其分布范围和其他特征属性的分布范围保持一致 机器学习误区：会认为数值大的数据重要程度较大，但是我们拿到数据，其实每个属性的重要程度是一样的，所以需要进行特征缩放 所以可以进行：归一化（缩放到0~1）或者标准化(缩放到-1~1)
- 2020-12-07下载
- 积分：1
-
《生成对抗网络入门指南》随书源码
《生成对抗网络入门指南》随书源码
- 2019-12-13下载
- 积分：1
|
联系客服（QQ：3324461878）
