这几个章节，但是我觉得这些都是调试使用的，使用技巧也是中断的概念，所以大家去官网自己学习，我这边直接进入子图学习，为后续的多智能体学习做准备。子图允许您构建具有多个组件的复杂系统，这些组件本身就是图。该函数需要在调用子图之前将输入（父）状态转换为子图状态，并在从节点返回状态更新之前将结果转换回父状态。对于更复杂的系统，您可能希望定义与父图具有。如果您的应用程序是这种情况，则需要定义一个。中的共享状

智能体的常见模式一般和框架无关，我们也可以自己写代码实现，但是使用框架可以更好、更快的实现这些模式，而且数据流容易观察，下面就开始。

本文深入解析了瑞芯微（Rockchip）NPU部署深度学习模型时的8位量化技术，重点对比了RKNN支持的三种量化算法（norm/mmse/kl）和两种量化粒度（layer/channel）。量化通过缩放因子建立FP32与INT8的线性映射，在可控精度损失下实现模型体积缩减75%和推理速度提升4~8倍。norm算法计算简单但精度中等，mmse通过最小均方误差优化精度，kl算法精度最高但计算复杂。量化

以上就是卷积神经网络的最基础的知识了，下面我们一起来看看CNN都是用在何处并且如何使用，以及使用原理，本人还没深入研究他们，等把基础知识总结完以后开始深入研究这几个方面，然后整理在写成博客，最近的安排是后面把自然语言处理总结一下，强化学习的总结就先往后推一下。再往后是系统的学习一下算法和数据结构，因为这些是基础，必须把这些的基础打扎实了。因为本人还在学校所以还有时间系统的梳理这方面的知识，然后在好

上一节我们详细讲解了RNN的其中一个学习算法即BPTT，这个算法是基于BP的，只是和BP不同的是在反向传播时，BPTT的需要追溯上一个时间的权值更新，如下图，当前时刻是s(t),但是反向传播时，他需要追溯到上一个时间状态即s(t-1),s(t-2),....直到刚开始的那个时间，但是根据BP我们知道存在一个梯度消失的问题，因此追溯的层数越深，梯度消失的越厉害，基本上追溯到5个时间段时梯度就为0了，

        上一节我们详细的探讨了玻尔兹曼机，玻尔兹曼机的发明是为了解决Hopfield神经网络的伪吸引子的问题，因此把退火算法、玻尔兹曼分布和Hopfield神经网络结合在一起形成了玻尔兹曼机（随机神经网络）。通过前面几节我们知道玻尔兹曼机可以很好的解决Hopfield神经网络的伪吸引子的问题，但是带来的另外一个大问题就是计算量太大了，训练周期长，因此Hinton和Sejnowski于198

①、模态对话框与非模态对话框的区别：模态对话框：一旦创建模态对话框，则无法操作父对话框，只能操作当前创建的模态对话框，关闭当前模态对话框后才可以操作父对话框非模态对话框:和模态对话框相反，创建该对话框后可以继续操作父对话框②、新对话框资源的添加及相关类的绑定：首先是先创建一个对话框模板资源，在资源文件里鼠标放到工程名上左击然后选择添加，在选中资源，最后选择Dia...

上一节我们详细的讲解了马尔科夫过程和马尔科夫链，提及了转移矩阵P，马尔科夫的平稳性（遍历性），需要好好理解马尔科夫的平稳性，因为本节将根据马尔科夫的平稳性进行讲解，同时也介绍了采样的原理和过程。好，到这里呢，我们在回顾一下我们的最初的目的是什么，我们的最初的目的是解决玻尔兹曼机的计算复杂的问题，为了解决这个问题就需要引入Gibbs采样，而想要理解Gibbs采样就需要知道马尔科夫链，还要知道MCMC

在讲解MCMC和Gibbs采样之前，大家需要理解统计学中的采样，什么是采样？为什么要采样？采样有什么用？大家需要深入理解采样的原理，深入理解的好处不仅容易理解下面的MCMC和Gibbs采样，也更容易掌握统计学中的一种重要的统计手段，这个技术在现代统计学中很重要，因此掌握它以后在遇到采样也不用怕了，因为一旦深入理解了，无非是更好的采样方法吧了，其本质不会变，我在刚学的时候，就被这些搞得云里雾里，这次

BM网络的学习算法(1)  学习过程      通过有导师学习，BM网络可以对训练集中各模式的概率分布进行模拟，从而实现联想记忆．学习的目的是通过调整网络权值使训练集中的模式在网络状态中以相同的概率再现．学习过程可分为两个阶段；第一阶段称为正向学习阶段或输入期，即向网络输入一对输人输出模式，将网络输人输出节点的状态“钳制”到期望的状态，而让隐节点自由活动，以捕捉模式对之间的对应规律；第...