线性代数-深度学习花书第二章掌握好线性代数对于理解和从事机器学习算法相关工作是很有必要的，尤其对于深度学习算法而言。基本概念：学习线代，会涉及以下几个数学概念：标量(scalar)：标量就是单一的数字，比如单一的整数，实数，有理数等都是标量。向量(vector)(矢量):可以看出一组标量形成的一维数组，如有n个实数组成的向量：矩阵(matrix):矩阵是二维数组，所以每个元素需要行和列的指标来标记

完成好后的机器人与坐标轴展示：机器人手臂刚好90度夹住零器件记住调试器的坐标轴：1-3、4-6轴的坐标轴：基坐标的坐标轴：

067（微信小程序）计算机毕业设计基于微信小程序的“撩吃货”系统的研究与开发。038（微信小程序）计算机毕业设计基于微信小程序的移动学习平台的设计与实现。058（微信小程序）基于微信小程序的《网页设计与制作》课程资源的研究与设计。032（微信小程序）基于微信小程序的"闯关游戏式"学习平台的研究与设计。010（微信小程序）基于微信小程序的互联网+教育学习平台的研究与设计。060（微信小程序）基于微信

读取和保存npy文件import numpy as np# .npy文件是numpy专用的二进制文件arr = np.array([[1, 2], [3, 4]])# 保存.npy文件np.save("../data/arr.npy", arr)print("save .npy done")# 读取.npy文件np.load("../data/arr.npy")print(arr)print("l

GRU模型GRU的网络结构RNN：有两个输入，两个输出。LSTM：有三个输入，三个输出。GRU：有两个输入，两个输出。GRU有两个门,一个重置门r和一个更新门，直观的，重置门决定了如何把新的输入与之前的记忆相结合，更新门决定多少先前的记忆起作用。如果我们把所有reset设置为全1，更新门设置为全0，又达到了普通RNN的形式；2.GRU两个门更新门重置门(1).更新门将LSTM里面的遗忘门和输入门合

067（微信小程序）计算机毕业设计基于微信小程序的“撩吃货”系统的研究与开发。038（微信小程序）计算机毕业设计基于微信小程序的移动学习平台的设计与实现。058（微信小程序）基于微信小程序的《网页设计与制作》课程资源的研究与设计。032（微信小程序）基于微信小程序的"闯关游戏式"学习平台的研究与设计。010（微信小程序）基于微信小程序的互联网+教育学习平台的研究与设计。060（微信小程序）基于微信

067（微信小程序）计算机毕业设计基于微信小程序的“撩吃货”系统的研究与开发。038（微信小程序）计算机毕业设计基于微信小程序的移动学习平台的设计与实现。058（微信小程序）基于微信小程序的《网页设计与制作》课程资源的研究与设计。032（微信小程序）基于微信小程序的"闯关游戏式"学习平台的研究与设计。010（微信小程序）基于微信小程序的互联网+教育学习平台的研究与设计。060（微信小程序）基于微信

理论：强化学习包含三种方法：1.通过价值选行为：Q Learning,Sarsa,Deep Q Network.2.直接选行为：Policy Gradlents.3.想象环境并从中学习：Model based RL.强化学习方法汇总（.比较著名的控制方法：Q Learning,Policy Gradlents,Model based RL.）：基于环境的划分：1.不理解环境(Model-Free

参考：莫烦Python1.什么是DQN?如图显示，主要由DNN＋Q-Learning组成。Q-Learning已经显示了它的强大。由于场景复杂，状态太多，计算机运行有限。DQN就为解决这个而生。强大的DQN输入输出有两种，第一种，输入状态和动作，输出为Q表。第二种，输入状态，输出动作。分析第二种情况：反向传播更新DNN。使得DQN无比强大的两大原因：第一，Experience replay；第二，

读取和保存npy文件import numpy as np# .npy文件是numpy专用的二进制文件arr = np.array([[1, 2], [3, 4]])# 保存.npy文件np.save("../data/arr.npy", arr)print("save .npy done")# 读取.npy文件np.load("../data/arr.npy")print(arr)print("l