用于创建文件的 IDE 的名称: ${PRODUCT_NAME}#当前月份英文缩写：${MONTH_NAME_SHORT}#当前月份英文全称：${MONTH_NAME_FULL}#当前的项目名：${PROJECT_NAME}#当前用户的登录名：${USER}#当前编辑文件名：${NAME}#当前系统月份：${MONTH}#当前分钟： ${MINUTE}#当前系统日期：${DATE}#当前系统时间：

参考链接：https://blog.csdn.net/u013733326/article/details/79971488TensorFlow 入门到目前为止，我们一直在使用numpy来自己编写神经网络。现在我们将一步步的使用深度学习的框架来很容易的构建属于自己的神经网络。我们将学习TensorFlow这个框架：初始化变量建立一个会话训练的算法实现一个神经网络使用框架编程不仅可以节省你的写代码时

参考链接：https://blog.csdn.net/LagrangeSK/article/details/80943045https://blog.csdn.net/qq_37402392/article/details/121348504?spm=1001.2014.3001.5501https://blog.csdn.net/qq_37402392/article/details/12149

今天我们将了解深度强化学习中**最令人兴奋、最有前景的策略之一好奇心驱动学习。

1.1 左右互搏假设上面的强化学习算法不是对战随机对手，而是以左右互搏的方式与自己对战来训练自己。你认为在这种情况下会发生怎样的事情？它是否会学习到不同的策略？解：个人想到了GAN技术（生成式对抗网络）中采取了类似的思路，GAN技术通过生成模型和判别模型进行对抗，从而提高模型的精度，主要的应用领域包括了图像生成、超分辨率、文本转图像等方面。一个完整的GAN模型包括了两个网络，G（Generator

开发本质是短期利益，但很多时候短期利益最大会会“短视”，所以要有Exploration探测，二者要权衡。我个人的看法就是开发需要尽可能的扩大化收益，因此需要选取当前最高收益的步骤，但是从长远来看，问题的解空间可能存在着一些虽然目前收益不是很大，但是最终的总价值收益会比较高。很多时候，选择短期利益很容易就会造成“短视”现象。试探就是为了探索这样的步骤，避免局部最优而采取的一种手段，因为如果时间无限长

参考链接：https://blog.csdn.net/mingzhuo_126/article/details/82722455https://www.cnblogs.com/144823836yj/p/10263070.htmlhttps://zhuanlan.zhihu.com/p/2629000461.打开Typora选择数学模块点击“段落”—>“公式块”快捷键Ctrl+Shift+m

本小节我们将使用 RNN 完成图像说明( Image Captioning)任务。该任务需要联合 CNN 与 RNN 一同学习，CNN 用于提取图像特征，RNN 用于生成图像特征所对应的说明文字。在训练阶段，首先我们将图片放入卷积网络中进行特征提取，将其作为隐藏层h0的输入；然后将图片对应的文字描述一个单词接一个单词的输入到 RNN 中，而 RNN 输出则是当前单词的下一个预测单词。在测试阶段，我

参考链接：https://blog.csdn.net/u013733326/article/details/80028921https://zhuanlan.zhihu.com/p/30393923第2周测验 - 自动驾驶（案例研究）问题陈述为了帮助你练习机器学习策略，本周我们将介绍另一种场景并询问你将如何做。我们认为这个在机器学习项目中工作的“模拟器”将给出一个引导机器学习项目的任务。你受雇于一

第4章 深度学习正则化1.机器学习的两个核心任务：尽可能地降低训练错误率提高模型的泛化能力（避免过拟合）2.可以使用正则化来尽可能地使训练错误率与测试错误率之间的差距变小。3.正则化就是降低验证错误率（有时需要牺牲训练错误率）的一系列方法。4.从降低泛化错误率的角度出发，伟大的前人们已经提出了大量的正则化策略，这其中最重要的方法就是限制学习能力。参数范数惩罚便是最具有代表性的通用参数惩罚措施。5.