save_checkpoint(data_name, epoch, epochs_since_improvement, encoder, decoder, encoder_optimizer, decoder_optimizer, recent_bleu4, is_best)

时间: 2024-04-13 12:26:09 浏览: 34
TXT

best_cityscapes_checkpoint.pth.txt

这个函数是用来保存模型的检查点的。它接受以下参数： - `data_name`：数据集的名称。 - `epoch`：当前训练的轮数。 - `epochs_since_improvement`：自上次改善以来经过的轮数。 - `encoder`：编码器模型。 - `decoder`：解码器模型。 - `encoder_optimizer`：编码器的优化器。 - `decoder_optimizer`：解码器的优化器。 - `recent_bleu4`：最近一次的BLEU-4分数。 - `is_best`：是否是目前最佳的模型。 这个函数的作用是将以上参数保存到一个检查点文件中，以便在需要的时候可以恢复模型的状态。
阅读全文

相关推荐

pdf

浅谈keras保存模型中的save()和save_weights()区别

本文将深入探讨Keras中save()和save_weights()两个函数之间的差异，并通过一个使用MNIST数据集的简单示例来说明它们的不同效果。 首先，save()函数用于保存整个模型，包括模型的结构、优化器的状态、损失函数...
rar

AMIBIOS8_Checkpoint_and_Beep_Code_List_1.9.rar_AMI CheckPoint_AM

标题中的“AMIBIOS8_Checkpoint_and_Beep_Code_List_1.9.rar”指的是一个关于AMIBIOS8的检查点和蜂鸣代码列表的压缩文件，版本为1.9。AMI CheckPoint是AMIBIOS8的一个特性，用于在系统启动过程中提供硬件状态的反馈...

from mindspore.train.callback import ModelCheckpoint, CheckpointConfig, LossMonitor, TimeMonitor class LossCallBack(LossMonitor): """ Monitor the loss in training. If the loss in NAN or INF terminating training. """ def __init__(self, has_trained_epoch=0, per_print_times=per_print_steps): super(LossCallBack, self).__init__() self.has_trained_epoch = has_trained_epoch self._per_print_times = per_print_times def step_end(self, run_context): cb_params = run_context.original_args() loss = cb_params.net_outputs if isinstance(loss, (tuple, list)): if isinstance(loss[0], ms.Tensor) and isinstance(loss[0].asnumpy(), np.ndarray): loss = loss[0] if isinstance(loss, ms.Tensor) and isinstance(loss.asnumpy(), np.ndarray): loss = np.mean(loss.asnumpy()) cur_step_in_epoch = (cb_params.cur_step_num - 1) % cb_params.batch_num + 1 if isinstance(loss, float) and (np.isnan(loss) or np.isinf(loss)): raise ValueError("epoch: {} step: {}. Invalid loss, terminating training.".format( cb_params.cur_epoch_num, cur_step_in_epoch)) if self._per_print_times != 0 and cb_params.cur_step_num % self._per_print_times == 0: # pylint: disable=line-too-long print("epoch: %s step: %s, loss is %s" % (cb_params.cur_epoch_num + int(self.has_trained_epoch), cur_step_in_epoch, loss), flush=True) time_cb = TimeMonitor(data_size=step_size) loss_cb = LossCallBack(has_trained_epoch=0) cb = [time_cb, loss_cb] ckpt_save_dir = cfg['output_dir'] device_target = context.get_context('device_target') if cfg['save_checkpoint']: config_ck = CheckpointConfig(save_checkpoint_steps=save_ckpt_num*step_size, keep_checkpoint_max=10) # config_ck = CheckpointConfig(save_checkpoint_steps=5*step_size, keep_checkpoint_max=10) ckpt_cb = ModelCheckpoint(prefix="resnet", directory=ckpt_save_dir, config=config_ck) cb += [ckpt_cb]

如果配置文件中的save_checkpoint为True，则创建一个CheckpointConfig实例config_ck，用于配置模型保存的参数（保存间隔、最大保存个数等）。然后，创建一个ModelCheckpoint回调实例ckpt_cb，并将其添加到回调列表cb...

for epoch in range(args.start_epoch, args.epochs): # train for one epoch train_loss, train_EPE = train(train_loader, model, optimizer, epoch, train_writer,scheduler) train_writer.add_scalar('mean EPE', train_EPE, epoch) # evaluate on test dataset with torch.no_grad(): EPE = validate(val_loader, model, epoch) test_writer.add_scalar('mean EPE', EPE, epoch) if best_EPE < 0: best_EPE = EPE is_best = EPE < best_EPE best_EPE = min(EPE, best_EPE) save_checkpoint({ 'epoch': epoch + 1, 'arch': args.arch, 'state_dict': model.module.state_dict(), 'best_EPE': best_EPE, 'div_flow': args.div_flow }, is_best, save_path)

- save_checkpoint({...}, is_best, save_path) 调用save_checkpoint函数保存模型的检查点。它将保存模型的当前状态、epoch数、架构、最佳EPE等信息。is_best参数用于指示是否是当前最佳模型，save_path是...

def save(self, name, **kwargs): if not self.save_dir: return if not self.save_to_disk: return data = {} data["model"] = self.model.state_dict() if self.optimizer is not None: data["optimizer"] = self.optimizer.state_dict() if self.scheduler is not None: data["scheduler"] = self.scheduler.state_dict() data.update(kwargs) save_file = os.path.join(self.save_dir, "{}.pth".format(name)) self.logger.info("Saving checkpoint to {}".format(save_file)) torch.save(data, save_file) self.tag_last_checkpoint(save_file)

- name：传入一个字符串，表示保存模型的文件名。 - self.save_dir：判断模型保存目录是否存在。若不存在，则返回。 - self.save_to_disk：判断是否需要将模型保存到磁盘中。若不需要，则返回。 - data：...

checkpoint_save_path = "./cwru_checkpoint/cwru_cnn.ckpt" if os.path.exists(checkpoint_save_path + '.index'): print('-------------load the model-----------------') model.load_weights(checkpoint_save_path) cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_save_path, save_weights_only=True, save_best_only=True) history = model.fit(x=x_train, y=y_train, batch_size=batch_size, epochs=epochs, verbose=1, validation_data=(x_valid, y_valid), shuffle=True, callbacks=[cp_callback]) model.summary() 这段代码是做什么

这段代码是用来训练一个卷积神经网络模型，并且在训练过程中保存最好的模型...validation_data是用于验证模型性能的数据集；shuffle=True表示每个epoch前随机打乱训练数据集。 - 最后一行打印出模型的结构信息。

def save_models(self, episode): self.q_eval.save_checkpoint(self.checkpoint_dir + 'Q_eval/DDQN_q_eval_{}.pth'.format(episode)) print('Saving Q_eval network successfully!') self.q_target.save_checkpoint(self.checkpoint_dir + 'Q_target/DDQN_Q_target_{}.pth'.format(episode)) print('Saving Q_target network successfully!') 解释这段代码

这段代码中，save_models()函数会保存q_eval和q_target的参数，它们将被分别保存在两个不同的文件中。其中，episode参数表示当前训练的episode次数，这个参数会被用于构造文件名。在保存完参数后，函数会输出两个...

MMCV中save_checkpoint

save_checkpoint是MMCV中用于保存模型参数和状态的函数。它将模型的权重、优化器状态和训练轮数等信息保存为一个pth文件。 该函数具有以下参数： - filename：保存的文件名 - model：需要保存的模型 - optimizer：...

for e in range(1, epoch + 1): print('[{}/{}] Training'.format(e, epoch)) # train train_loss, train_acc = model.train_model(train_loader, criterion, optimizer) # evaluate test_loss, test_acc = model.evaluate(test_loader, criterion) # 用于判断是否保存模型 is_best = test_acc > best_acc # 记录当前最好的acc best_acc = max(test_acc, best_acc) # 保存模型的文件名 name = 'checkpoint' + '.pth' save_checkpoint({ 'epoch': e, 'state_dict': model.model.state_dict(), 'train_acc': train_acc, 'test_acc': test_acc, 'best_acc': best_acc, 'optimizer': optimizer.state_dict() }, is_best, checkpoint=save_path, filename=name) print('Now acc:') print(test_acc) print('Best acc:') print(best_acc)

这段代码中，train_loader 和 test_loader 是训练集和测试集的 DataLoader 对象，criterion 是损失函数，optimizer 是优化器，save_path 是保存模型的路径。save_checkpoint 函数用于保存模型文件，is_...

how to use utils.save_checkpoint

def save_checkpoint(state, checkpoint_dir, filename='checkpoint.pth.tar'): if not os.path.exists(checkpoint_dir): os.makedirs(checkpoint_dir) filepath = os.path.join(checkpoint_dir, filename) ...

save_dir = os.path.join(os.getcwd(), 'saved_models') filepath = "model_{epoch:02d}-{val_acc:.2f}.hdf5" checkpoint = ModelCheckpoint(os.path.join(save_dir, filepath), monitor='val_acc',verbose=1, save_best_only=True) # 利用批量生成器拟合模型 history = model.fit( train_generator, steps_per_epoch=50, epochs=50, validation_data=validation_generator, validation_steps=20, callbacks=[checkpoint])

1. 定义模型保存路径：通过os.path.join将当前工作目录与'saved_models'拼接得到模型保存目录save_dir，通过字符串拼接方式定义模型文件名filepath，其中{epoch:02d}和{val_acc:.2f}是占位符，分别代表当前训练的...

def save_checkpoint(state, is_best, save_path, filename='checkpoint.pth.tar'): torch.save(state, os.path.join(save_path,filename)) if is_best: shutil.copyfile(os.path.join(save_path,filename), os.path.join(save_path,'model_best.pth.tar'))

- save_checkpoint 函数会接收以下参数：state（包含模型和优化器状态的字典）、is_best（一个布尔值，表示当前模型是否是最佳模型）、save_path（保存检查点的路径）和可选的 filename（保存检查点的...

how to use utils.save_checkpoint for downstream task

To use utils.save_checkpoint for a downstream task, you need to first define the model and optimizer for your task, and then checkpoint your current model and optimizer using the provided function....

if args.start_epoch > 0: pre_model_dir = model_dir checkpoint = torch.load("%s/net_params_%d.pth" % (pre_model_dir, args.start_epoch)) model.load_state_dict(checkpoint['net']) optimizer.load_state_dict(checkpoint['optimizer']) start_epoch = checkpoint["epoch"] + 1 for i in range(0, start_epoch): scheduler.step() else: start_epoch = args.start_epoch + 1 scheduler.step() print("Model: %s , Sensing Rate: %.2f , Epoch: %d , Initial LR: %f\n" % ( args.model, args.sensing_rate, args.epochs, args.lr))

首先，代码检查是否指定了一个起始的epoch，如果指定了，则从checkpoint中加载之前的训练状态，包括模型的参数、优化器的参数和学习率调度器的状态，并从上一个epoch开始训练。如果没有指定起始epoch，则从args....

, "logger": { "print_freq": 200 , "save_checkpoint_freq": 5e3

根据你提供的代码片段，我注意到在第70行... "save_checkpoint_freq": 5000 } 在这个例子中，我为了演示将"print_freq"的值从5e3改为了5000，你可以根据实际需求进行修改。 如果还有其他问题，请随时提问。

import mindspore.nn as nn import mindspore.ops.operations as P from mindspore import Model from mindspore import Tensor from mindspore import context from mindspore import dataset as ds from mindspore.train.callback import ModelCheckpoint, CheckpointConfig, LossMonitor from mindspore.train.serialization import load_checkpoint, load_param_into_net from mindspore.nn.metrics import Accuracy # Define the ResNet50 model class ResNet50(nn.Cell): def __init__(self, num_classes=10): super(ResNet50, self).__init__() self.resnet50 = nn.ResNet50(num_classes=num_classes) def construct(self, x): x = self.resnet50(x) return x # Load the CIFAR-10 dataset data_home = "/path/to/cifar-10/" train_data = ds.Cifar10Dataset(data_home, num_parallel_workers=8, shuffle=True) test_data = ds.Cifar10Dataset(data_home, num_parallel_workers=8, shuffle=False) # Define the hyperparameters learning_rate = 0.1 momentum = 0.9 epoch_size = 200 batch_size = 32 # Define the optimizer optimizer = nn.Momentum(filter(lambda x: x.requires_grad, resnet50.get_parameters()), learning_rate, momentum) # Define the loss function loss_fn = nn.SoftmaxCrossEntropyWithLogits(sparse=True, reduction='mean') # Define the model net = ResNet50() # Define the model checkpoint config_ck = CheckpointConfig(save_checkpoint_steps=1000, keep_checkpoint_max=10) ckpt_cb = ModelCheckpoint(prefix="resnet50", directory="./checkpoints/", config=config_ck) # Define the training dataset train_data = train_data.batch(batch_size, drop_remainder=True) # Define the testing dataset test_data = test_data.batch(batch_size, drop_remainder=True) # Define the model and train it model = Model(net, loss_fn=loss_fn, optimizer=optimizer, metrics={"Accuracy": Accuracy()}) model.train(epoch_size, train_data, callbacks=[ckpt_cb, LossMonitor()], dataset_sink_mode=True) # Load the trained model and test it param_dict = load_checkpoint("./checkpoints/resnet50-200_1000.ckpt") load_param_into_net(net, param_dict) model = Model(net, loss_fn=loss_fn, metrics={"Accuracy": Accuracy()}) result = model.eval(test_data) print("Accuracy: ", result["Accuracy"])这段代码有错误

config_ck = CheckpointConfig(save_checkpoint_steps=1000, keep_checkpoint_max=10) ckpt_cb = ModelCheckpoint(prefix="resnet50", directory="./checkpoints/", config=config_ck) # Define the training ...

parser.add_argument("--eval_steps", type=int, default=200) parser.add_argument("--save_steps", type=int, default=200) parser.add_argument("--test_size", type=int, default=200) parser.add_argument("--resume_from_checkpoint", type=str, default=None) parser.add_argument("--lora_remote_checkpoint", type=str, default=None) parser.add_argument("--ignore_data_skip", type=str, default="False") 里面的ignore_data_skip resume_from_checkpoint eval_steps test_size 这些参数的作用是什么

- ignore_data_skip: 控制是否忽略数据跳过，默认为"False"，即不忽略。当设置为"True"时，模型将不会跳过任何数据，而是使用所有可用的数据进行训练。 - resume_from_checkpoint: 指定要从哪个检查点文件恢复...

TypeError Traceback (most recent call last) /tmp/ipykernel_1045/245448921.py in <module> 1 dataset_path = ABSADatasetList.Restaurant14 ----> 2 sent_classifier = Trainer(config=apc_config_english, 3 dataset=dataset_path, # train set and test set will be automatically detected 4 checkpoint_save_mode=1, # =None to avoid save model 5 auto_device=True # automatic choose CUDA or CPU /tmp/ipykernel_1045/296492999.py in __init__(self, config, dataset, from_checkpoint, checkpoint_save_mode, auto_device) 84 config.model_path_to_save = None 85 ---> 86 self.train() 87 88 def train(self): /tmp/ipykernel_1045/296492999.py in train(self) 96 config.seed = s 97 if self.checkpoint_save_mode: ---> 98 model_path.append(self.train_func(config, self.from_checkpoint, self.logger)) 99 else: 100 # always return the last trained model if dont save trained model /tmp/ipykernel_1045/4269211813.py in train4apc(opt, from_checkpoint_path, logger) 494 load_checkpoint(trainer, from_checkpoint_path) 495 --> 496 return trainer.run() /tmp/ipykernel_1045/4269211813.py in run(self) 466 criterion = nn.CrossEntropyLoss() 467 self._reset_params() --> 468 return self._train(criterion) 469 470 /tmp/ipykernel_1045/4269211813.py in _train(self, criterion) 153 return self._k_fold_train_and_evaluate(criterion) 154 else: --> 155 return self._train_and_evaluate(criterion) 156 157 def _train_and_evaluate(self, criterion): /tmp/ipykernel_1045/4269211813.py in _train_and_evaluate(self, criterion) 190 191 for epoch in range(self.opt.num_epoch): --> 192 iterator = tqdm(self.train_dataloaders[0]) 193 for i_batch, sample_batched in enumerate(iterator): 194 global_step += 1 TypeError: 'module' object is not callable

这个错误通常是由于在代码中使用了模块对象而不是可调用的函数或类。在这个特定的代码片段中，Trainer 类或 tqdm 函数可能没有正确导入或没有被正确调用。 要解决这个问题，你可以尝试以下几个方法： ...

history = model.fit( train_generator, steps_per_epoch=50, epochs=50, validation_data=validation_generator, validation_steps=20, callbacks=[checkpoint])

这段代码是使用Keras中的fit...callbacks参数是一个回调函数列表，其中checkpoint是一个自定义的回调函数，用于在训练过程中保存模型的权重。epochs参数是训练的轮数。这段代码的作用是训练模型并保存每个epoch的权重。

最新推荐

recommend-type

浅谈keras保存模型中的save()和save_weights()区别

本文将深入探讨Keras中`save()`和`save_weights()`两个函数之间的差异，并通过一个使用MNIST数据集的简单示例来说明它们的不同效果。 首先，`save()`函数用于保存整个模型，包括模型的结构、优化器的状态、损失函数...
recommend-type

keras的load_model实现加载含有参数的自定义模型

在深度学习领域，模型的保存和加载是常见的操作，特别是在训练过程中为了防止过拟合或资源限制而采用的模型检查点（checkpoint）策略。Keras，作为TensorFlow的高级接口，提供了方便的模型保存和加载功能。本篇将...
recommend-type

Flink实用教程_预览版_v1.pdf

4. 作业调度：Flink 的 Checkpoint 机制确保容错性和精确一次的状态一致性，同时支持动态调整任务并行度以应对负载变化。 对于初学者而言，Flink 的学习可能会遇到如过时资料、英文文档难以理解等问题。《Flink ...
recommend-type

交互修改.rp

交互修改
recommend-type

R语言中workflows包的建模工作流程解析

资源摘要信息:"工作流程建模是将预处理、建模和后处理请求结合在一起的过程，从而优化数据科学的工作流程。工作流程可以将多个步骤整合为一个单一的对象，简化数据处理流程，提高工作效率和可维护性。在本资源中，我们将深入探讨工作流程的概念、优点、安装方法以及如何在R语言环境中使用工作流程进行数据分析和模型建立的例子。 首先，工作流程是数据处理的一个高级抽象，它将数据预处理（例如标准化、转换等），模型建立（例如使用特定的算法拟合数据），以及后处理（如调整预测概率）等多个步骤整合起来。使用工作流程，用户可以避免对每个步骤单独跟踪和管理，而是将这些步骤封装在一个工作流程对象中，从而简化了代码的复杂性，增强了代码的可读性和可重用性。 工作流程的优势主要体现在以下几个方面： 1. 管理简化：用户不需要单独跟踪和管理每个步骤的对象，只需要关注工作流程对象。 2. 效率提升：通过单次fit()调用，可以执行预处理、建模和模型拟合等多个步骤，提高了操作的效率。 3. 界面简化：对于具有自定义调整参数设置的复杂模型，工作流程提供了更简单的界面进行参数定义和调整。 4. 扩展性：未来的工作流程将支持添加后处理操作，如修改分类模型的概率阈值，提供更全面的数据处理能力。 为了在R语言中使用工作流程，可以通过CRAN安装工作流包，使用以下命令： ```R install.packages("workflows") ``` 如果需要安装开发版本，可以使用以下命令： ```R # install.packages("devtools") devtools::install_github("tidymodels/workflows") ``` 通过这些命令，用户可以将工作流程包引入到R的开发环境中，利用工作流程包提供的功能进行数据分析和建模。 在数据建模的例子中，假设我们正在分析汽车数据。我们可以创建一个工作流程，将数据预处理的步骤（如变量选择、标准化等）、模型拟合的步骤（如使用特定的机器学习算法）和后处理的步骤（如调整预测阈值）整合到一起。通过工作流程，我们可以轻松地进行整个建模过程，而不需要编写繁琐的代码来处理每个单独的步骤。 在R语言的tidymodels生态系统中，工作流程是构建高效、可维护和可重复的数据建模工作流程的重要工具。通过集成工作流程，R语言用户可以在一个统一的框架内完成复杂的建模任务，充分利用R语言在统计分析和机器学习领域的强大功能。 总结来说，工作流程的概念和实践可以大幅提高数据科学家的工作效率，使他们能够更加专注于模型的设计和结果的解释，而不是繁琐的代码管理。随着数据科学领域的发展，工作流程的工具和方法将会变得越来越重要，为数据处理和模型建立提供更加高效和规范的解决方案。"
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本：布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学，1996年。法语。NNT：电话：00345357HAL ID：电话：00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆，用于存放和传播科学研究论文，无论它们是否被公开。论文可以来自法国或国外的教学和研究机构，也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

【工程技术中的数值分析秘籍】：数学问题的终极解决方案

![【工程技术中的数值分析秘籍】：数学问题的终极解决方案](https://media.geeksforgeeks.org/wp-content/uploads/20240429163511/Applications-of-Numerical-Analysis.webp) 参考资源链接：[东南大学_孙志忠_《数值分析》全部答案](https://wenku.csdn.net/doc/64853187619bb054bf3c6ce6?spm=1055.2635.3001.10343) # 1. 数值分析的数学基础 在探索科学和工程问题的计算机解决方案时，数值分析为理解和实施这些解决方案提供了
recommend-type

如何在数控车床仿真系统中正确进行机床回零操作？请结合手工编程和仿真软件操作进行详细说明。

机床回零是数控车床操作中的基础环节，特别是在仿真系统中，它确保了机床坐标系的正确设置，为后续的加工工序打下基础。在《数控车床仿真实验：操作与编程指南》中，你可以找到关于如何在仿真环境中进行机床回零操作的详尽指导。具体操作步骤如下： 参考资源链接：[数控车床仿真实验：操作与编程指南](https://wenku.csdn.net/doc/3f4vsqi6eq?spm=1055.2569.3001.10343) 首先，确保数控系统已经启动，并处于可以进行操作的状态。然后，打开机床初始化界面，解除机床锁定。在机床控制面板上选择回零操作，这通常涉及选择相应的操作模式或输入特定的G代码，例如G28或
recommend-type

Vue统计工具项目配置与开发指南

资源摘要信息:"该项目标题为'bachelor-thesis-stat-tool'，是一个涉及统计工具开发的项目，使用Vue框架进行开发。从描述中我们可以得知，该项目具备完整的前端开发工作流程，包括项目设置、编译热重装、生产编译最小化以及代码质量检查等环节。具体的知识点包括： 1. Vue框架：Vue是一个流行的JavaScript框架，用于构建用户界面和单页应用程序。它采用数据驱动的视图层，并能够以组件的形式构建复杂界面。Vue的核心库只关注视图层，易于上手，并且可以通过Vue生态系统中的其他库和工具来扩展应用。 2. yarn包管理器：yarn是一个JavaScript包管理工具，类似于npm。它能够下载并安装项目依赖，运行项目的脚本命令。yarn的特色在于它通过一个锁文件（yarn.lock）来管理依赖版本，确保项目中所有人的依赖版本一致，提高项目的可预测性和稳定性。 3. 项目设置与开发流程： - yarn install：这是一个yarn命令，用于安装项目的所有依赖，这些依赖定义在package.json文件中。执行这个命令后，yarn会自动下载并安装项目所需的所有包，以确保项目环境配置正确。 - yarn serve：这个命令用于启动一个开发服务器，使得开发者可以在本地环境中编译并实时重载应用程序。在开发模式下，这个命令通常包括热重载（hot-reload）功能，意味着当源代码发生变化时，页面会自动刷新以反映最新的改动，这极大地提高了开发效率。 4. 生产编译与代码最小化： - yarn build：这个命令用于构建生产环境所需的代码。它通常包括一系列的优化措施，比如代码分割、压缩和打包，目的是减少应用程序的体积和加载时间，提高应用的运行效率。 5. 代码质量检查与格式化： - yarn lint：这个命令用于运行项目中的lint工具，它是用来检查源代码中可能存在的语法错误、编码风格问题、代码重复以及代码复杂度等问题。通过配置适当的lint规则，可以统一项目中的代码风格，提高代码的可读性和可维护性。 6. 自定义配置： - 描述中提到'请参阅'，虽然没有具体信息，但通常意味着项目中会有自定义的配置文件或文档，供开发者参考，如ESLint配置文件（.eslintrc.json）、webpack配置文件等。这些文件中定义了项目的个性化设置，包括开发服务器设置、代码转译规则、插件配置等。 综上所述，这个项目集成了前端开发的常用工具和流程，展示了如何使用Vue框架结合yarn包管理器和多种开发工具来构建一个高效的项目。开发者需要熟悉这些工具和流程，才能有效地开发和维护项目。"
recommend-type

"互动学习：行动中的多样性与论文攻读经历"

多样性她- 事实上SCI NCES你的时间表ECOLEDO C Tora SC和NCESPOUR l’Ingén学习互动，互动学习以行动为中心的强化学习学会互动，互动学习，以行动为中心的强化学习计算机科学博士论文于2021年9月28日在Villeneuve d'Asq公开支持马修·瑟林评审团主席法布里斯·勒菲弗尔阿维尼翁大学教授论文指导奥利维尔·皮耶昆谷歌研究教授：智囊团论文联合主任菲利普·普雷教授，大学。里尔/CRISTAL/因里亚报告员奥利维耶·西格德索邦大学报告员卢多维奇·德诺耶教授，Facebook /索邦大学审查员越南圣迈IMT Atlantic高级讲师邀请弗洛里安·斯特鲁布博士，Deepmind对于那些及时看到自己错误的人...3谢谢你首先，我要感谢我的两位博士生导师Olivier和Philippe。奥利维尔，"站在巨人的肩膀上"这句话对你来说完全有意义了。从科学上讲，你知道在这篇论文的（许多）错误中，你是我可以依