在测试jetson.utils实现视频载入时出现如下的错误/usr/lib/aarch64-linux-gnu/libgomp.so.1: cannot allocate memory in static TLS block经查询是libgomp在arm机器上的一个bug解决方法在LD_PRELOAD中加入libgomp，编辑~/.bashrc文件，在文件最后加上export LD_PRELOAD

相对于DQN输出采取动作的Q值，Policy Gradient网络输出采取动作的概率，根据概率来判断需要采取的动作，并在训练过程不断修正网络，使输出的概率更好的符合最优的采取动作的策略。应用到倒立摆控制，可以通过构建一个前向网络和一个学习策略来实现。

采用DQN（Deep Q-Network）实现对倒立摆（CartPole）对象的控制

网上有很多可以用于深度学习算法验证的数据集，这里仅列出个人进行人工智能学习和研究工作涉及到的常用数据集，比较适合初学者和刚开始从事人工智能方向研究的工作者。

PASCAL VOC是一个国际的计算机视觉挑战赛，数据集包含了20个分类的3万多张图片。挑战赛及其数据集基础上涌现不少知名的目标检测模型如R-CNN，YOLO，SSD等。可以通过下载和读取的方法载入PASCAL VOC数据集。

参考链接：https://www.cnblogs.com/ztguang/p/12648367.html通过iwconfig命令查询和开启/关闭无线网络$ iwconfig列出启用的无线网络$ sudo iwconfig <网络名称> txpower on/off开启/关闭对应的无线网络

采用CNN神经网络来进行MNIST数据集的分类识别

与MNIST类似，CIFAR-10同样是人工智能学习入门的数据集之一，它包含飞机、汽车、小鸟等10个类别的图片，一共60000张图片，其中训练集占50000张，测试集占10000张。这里采用CNN网络对CIFAR-10数据集进行分类识别。

Microsoft COCO（Common Objects in Context）是微软研发维护的一个大型的数据集。包含了30多万张图片和包含91类目标分类。可用于目标识别（Object Detection）、场景感知（Penoptic Segmentation）、语义分割（Stuff Segmentation）、标题生成（Image Captioning）等任务。

倒立摆是强化学习的一个经典模拟对象，通过对倒立摆对象的持续的动作输入，使倒立摆保持在竖立的状态或者倒下。Python提供了一个模拟库（gym）来模拟倒立摆等一些典型的难度控制对象。