删除用户变量和系统变量中path下的C:\Program Files\Common Files\Oracle\Java\javapath。第二个路径才是你自己安装的 JDK 17，但永远不会被调用。检查环境变量，在path中找到了jdk的bin路径，追踪这个文件，确保文件没有损坏和缺失。查看系统变量，确实发现了另一个java.exe的地址，且在自己安装的jdk17上面。很明显，有两个路径都有jav

摘要：本文介绍了强化学习中的on-policy和off-policy方法，其中on-policy要求行为策略与目标策略相同，而off-policy允许二者不同。实现了一个Q-learning算法，支持两种策略模式，通过网格世界环境进行验证。代码中behavior policy初始化为均匀分布以增强探索性，target policy则采用贪心策略。实验结果显示，通过足够多的采样（samples=10

本文实现了策略迭代算法(Policy Iteration)解决网格世界问题。算法包含策略评估和策略改进两个交替步骤：1)评估当前策略的价值函数；2)基于价值函数改进策略直至收敛。实验在5x5网格环境中进行，设置障碍物和终止状态。结果表明策略迭代收敛速度快于值迭代，两者价值函数差异微小。算法输出包括状态价值矩阵和最优策略可视化，验证了策略迭代在马尔可夫决策过程中的有效性。

本文讨论了深度学习中的两种损失计算方式：按batch等权平均和按样本数加权平均，并分析了两者在不同数据分布下的适用性。同时详细阐述了Dice和MIou两种评价指标的计算方法，包括基于混淆矩阵和交集/并集两种等价算法。进一步分析了micro、macro over images和macro over classes三种汇总策略的特点及适用场景，并探讨了空标签(GT=0)的三种处理方案：完美空预测、忽略

删除用户变量和系统变量中path下的C:\Program Files\Common Files\Oracle\Java\javapath。第二个路径才是你自己安装的 JDK 17，但永远不会被调用。检查环境变量，在path中找到了jdk的bin路径，追踪这个文件，确保文件没有损坏和缺失。查看系统变量，确实发现了另一个java.exe的地址，且在自己安装的jdk17上面。很明显，有两个路径都有jav

摘要：本文介绍了强化学习中的on-policy和off-policy方法，其中on-policy要求行为策略与目标策略相同，而off-policy允许二者不同。实现了一个Q-learning算法，支持两种策略模式，通过网格世界环境进行验证。代码中behavior policy初始化为均匀分布以增强探索性，target policy则采用贪心策略。实验结果显示，通过足够多的采样（samples=10

摘要：本文提出了一种融合first-visit和every-visit的蒙特卡洛策略迭代方法。在every-visit模式下采用ε-greedy策略更新，first-visit模式下采用greedy更新。针对智能体倾向于原地不动的问题，在环境模型中添加了r_stay惩罚项，并调整了边界和禁区奖励设置。算法实现中，通过采样生成轨迹，根据选定模式更新Q值，最终输出状态值和最优策略。实验表明，随着迭代次

摘要：本文实现了一个基于深度Q学习的网格世界导航算法。代码构建了一个包含两个隐藏层的神经网络，使用SGD优化器和MSE损失函数。通过环境交互生成训练数据，采用经验回放机制进行批量训练，并定期同步目标网络参数。算法在5x5网格环境中运行，设置了障碍物、边界惩罚和终点奖励。最终输出最优策略的可视化结果，展示了智能体在复杂环境中的决策能力。

本文实现了策略迭代算法(Policy Iteration)解决网格世界问题。算法包含策略评估和策略改进两个交替步骤：1)评估当前策略的价值函数；2)基于价值函数改进策略直至收敛。实验在5x5网格环境中进行，设置障碍物和终止状态。结果表明策略迭代收敛速度快于值迭代，两者价值函数差异微小。算法输出包括状态价值矩阵和最优策略可视化，验证了策略迭代在马尔可夫决策过程中的有效性。

本文介绍了两种常见的数据集组织形式及其对应的PyTorch Dataset实现方法。第一种是分类数据集（如ImageNet），采用train/val/test二级目录结构，子目录为类别标签，实现类通过遍历图片路径并返回图片和对应标签。第二种是目标检测数据集（如TACO），采用train/val/test二级目录下images和labels三级目录结构，图片与标注文件同名匹配，实现类同时读取图片和对