clc; clear all; %% 导入模型 load('./模型New/model_pot_final.mat') disp(detector) % 训练损失曲线 figure() plot(info.TrainingLoss) grid on xlabel('Number of Iterations') ylabel('Training Loss for Each Iteration') %% 导入数据集 load('data400.mat'); % 路径修改 for i = 1:size(data400, 1) originPath = string(table2cell(data400(i, 1))); newPath = strrep(originPath, 'F:\other\myMatlab\29光伏图像\程序','.'); disp(newPath) data400(i, 1) = cell2table(cellstr(newPath)); end len = (size(data400, 1))/2; percent = 0.6; % 划分测试集 potData = data400(len+1:end, [1 3]); trainLen = round(len*percent); testImg = potData([(trainLen+1):len], 1:2); %% 检测 imds = imageDatastore(testImg.imageFilename); results = detect(detector, imds); blds = boxLabelDatastore(testImg(:,2:end)); [ap, recall, precision] = evaluateDetectionPrecision(results, blds); % PR图 figure(); plot(recall, precision); grid on title(sprintf('Average precision = %.4f', ap)) % 检测效果图(分两张图) figure() for i = 1:size(testImg, 1)/2 subplot(4,10,i) path = string(table2cell(testImg(i, 1))); disp(path) img = imread(path); % 测试图片 [bboxes, scores] = detect(detector, img); if(~isempty(bboxes)) img = insertObjectAnnotation(img,'rectangle',bboxes,scores); end imshow(img) titleName = strrep(path, '.\数据集\process\',''); titleName = strrep(titleName, '_',''); titleName = strrep(titleName, '.png',''); title(titleName) end figure() for i = 1:size(testImg, 1)/2 subplot(4,10,i) path = string(table2cell(testImg((i+size(testImg, 1)/2), 1))); disp(path) img = imread(path); % 测试图片 [bboxes, scores] = detect(detector, img); if(~isempty(bboxes)) img = insertObjectAnnotation(img,'rectangle',bboxes,scores); end imshow(img) titleName = strrep(path, '.\数据集\process\',''); titleName = strrep(titleName, '_',''); titleName = strrep(titleName, '.png',''); title(titleName) end给我非常详细的,一字一句,一句一句的解释这段代码

时间: 2024-02-01 11:04:16 浏览: 146
RAR

LDPC-PEG算法构造H矩阵.rar_All Clear_Density Evolution_LDPC_PEG法构造H矩阵_密

star5星 · 资源好评率100%
好的,请稍等,我会一步一步地给你解释这段代码。 首先,这段代码是用 MATLAB 编写的,主要用于检测光伏图像中的电池板。让我先简单介绍一下这段代码的功能,它主要分为以下几个部分: 1. 导入模型并显示模型信息 2. 绘制训练损失曲线 3. 导入数据集并划分测试集 4. 使用模型进行检测,并绘制 PR 图 5. 显示检测效果图 现在,我们来逐行解释这段代码: ```matlab clc; clear all; % 清空 MATLAB 环境变量 load('./模型New/model_pot_final.mat') % 导入模型 disp(detector) % 显示模型信息 ``` 这一段代码主要是清空 MATLAB 环境变量,以免影响后续代码的运行。然后,它导入了一个名为 `model_pot_final.mat` 的模型文件,并使用 `disp(detector)` 显示了该模型的信息。 ```matlab figure() plot(info.TrainingLoss) % 绘制训练损失曲线 grid on xlabel('Number of Iterations') ylabel('Training Loss for Each Iteration') ``` 这一段代码主要是绘制训练损失曲线,用于评估模型的训练效果。它使用 `plot(info.TrainingLoss)` 绘制了每次迭代的损失值,使用 `grid on` 绘制了网格线,使用 `xlabel` 和 `ylabel` 设置了坐标轴的标签。 ```matlab load('data400.mat'); % 导入数据集 for i = 1:size(data400, 1) originPath = string(table2cell(data400(i, 1))); % 获取原始路径 newPath = strrep(originPath, 'F:\other\myMatlab\29光伏图像\程序','.'); % 修改路径 disp(newPath) data400(i, 1) = cell2table(cellstr(newPath)); % 更新数据集 end ``` 这一段代码主要是导入数据集,并将数据集中的路径修改为当前路径。它使用 `load('data400.mat')` 导入了一个名为 `data400.mat` 的数据集文件,然后使用一个 for 循环,将每个文件的原始路径 `originPath` 修改为当前路径 `newPath`,并使用 `disp(newPath)` 显示修改后的路径。最后,使用 `data400(i, 1) = cell2table(cellstr(newPath))` 更新了数据集中的路径信息。 ```matlab len = (size(data400, 1))/2; % 数据集长度的一半 percent = 0.6; % 划分测试集的比例 potData = data400(len+1:end, [1 3]); % 获取电池板数据 trainLen = round(len*percent); % 计算训练集长度 testImg = potData([(trainLen+1):len], 1:2); % 划分测试集 ``` 这一段代码主要是划分数据集,并将数据集中的电池板数据作为测试集。它首先计算了数据集的长度 `len`,然后将数据集中的电池板数据 `potData` 提取出来。接着,使用 `round(len*percent)` 计算了训练集的长度,并使用 `testImg = potData([(trainLen+1):len], 1:2)` 划分出了测试集。 ```matlab imds = imageDatastore(testImg.imageFilename); % 创建图像数据存储 results = detect(detector, imds); % 使用模型进行检测 blds = boxLabelDatastore(testImg(:,2:end)); % 创建标签数据存储 [ap, recall, precision] = evaluateDetectionPrecision(results, blds); % 计算 PR 值 figure(); plot(recall, precision); % 绘制 PR 图 grid on title(sprintf('Average precision = %.4f', ap)) ``` 这一段代码主要是使用模型进行检测,并计算检测结果的 PR 值。它首先使用 `imageDatastore` 创建了一个图像数据存储 `imds`,然后使用 `detect(detector, imds)` 对测试集中的图像进行检测,并将结果存储在 `results` 中。接着,使用 `boxLabelDatastore` 创建了一个标签数据存储 `blds`,并使用 `evaluateDetectionPrecision` 计算了检测结果的 PR 值,将结果存储在 `ap`、`recall` 和 `precision` 中。最后,使用 `plot(recall, precision)` 绘制了 PR 图,并使用 `title` 显示了平均精度值。 ```matlab figure() for i = 1:size(testImg, 1)/2 subplot(4,10,i) path = string(table2cell(testImg(i, 1))); disp(path) img = imread(path); % 读取测试图片 [bboxes, scores] = detect(detector, img); % 使用模型进行检测 if(~isempty(bboxes)) img = insertObjectAnnotation(img,'rectangle',bboxes,scores); % 添加检测结果标注 end imshow(img) % 显示图片 titleName = strrep(path, '.\数据集\process\',''); % 获取图片名称 titleName = strrep(titleName, '_',''); titleName = strrep(titleName, '.png',''); title(titleName) % 设置标题 end figure() for i = 1:size(testImg, 1)/2 subplot(4,10,i) path = string(table2cell(testImg((i+size(testImg, 1)/2), 1))); disp(path) img = imread(path); % 读取测试图片 [bboxes, scores] = detect(detector, img); % 使用模型进行检测 if(~isempty(bboxes)) img = insertObjectAnnotation(img,'rectangle',bboxes,scores); % 添加检测结果标注 end imshow(img) % 显示图片 titleName = strrep(path, '.\数据集\process\',''); % 获取图片名称 titleName = strrep(titleName, '_',''); titleName = strrep(titleName, '.png',''); title(titleName) % 设置标题 end ``` 这一段代码主要是显示检测结果的效果图。它使用两个 for 循环,分别处理测试集中的前一半和后一半图像。对于每个图像,它首先使用 `string(table2cell(testImg(i, 1)))` 获取图像的路径,并使用 `imread` 读取图像。然后,使用 `detect(detector, img)` 对图像进行检测,并使用 `insertObjectAnnotation` 添加检测结果的标注。最后,使用 `subplot` 和 `imshow` 显示图像,并使用 `title` 设置标题。
阅读全文

相关推荐

clc; clear all; %% 导入模型 load('./模型New/model_two_final.mat') disp(detector) % 训练损失曲线 figure() plot(info.TrainingLoss) grid on xlabel('Number of Iterations') ylabel('Training Loss for Each Iteration') %% 导入数据集 load('data400.mat'); % 路径修改 for i = 1:size(data400, 1) originPath = string(table2cell(data400(i, 1))); newPath = strrep(originPath, 'F:\other\myMatlab\29光伏图像\程序','.'); disp(newPath) data400(i, 1) = cell2table(cellstr(newPath)); end len = (size(data400, 1))/2; percent = 0.6; % 划分训练集 trainLen = round(len*percent); testImg = data400([(trainLen+1):len len+((trainLen+1):len)], 1:3); %% 检测 imds = imageDatastore(testImg.imageFilename); results = detect(detector, imds); blds = boxLabelDatastore(testImg(:,2:end)); [ap, recall, precision] = evaluateDetectionPrecision(results, blds); % PR图 figure(); subplot(121) plot(recall{1, 1}, precision{1, 1}); grid on title(sprintf('Pot:Average precision = %.4f', ap(1))) subplot(122) plot(recall{2, 1}, precision{2, 1}); grid on title(sprintf('Crack:Average precision = %.4f', ap(2))) % 效果展示(crack/pot各40张) figure() for i = 1:40 subplot(4,10,i) path = string(table2cell(testImg(i, 1))); disp(path) img = imread(path); % 测试图片 [bboxes, scores, cate] = detect(detector, img); disp(cate) if(~isempty(bboxes)) img = insertObjectAnnotation(img,'rectangle',bboxes,cate); end titleName = strrep(path, '.\数据集\process\',''); titleName = strrep(titleName, '_',''); titleName = strrep(titleName, '.png',''); title(titleName) imshow(img) end figure() for i = 1:40 subplot(4,10,i) path = string(table2cell(testImg(i+80, 1))); disp(path) img = imread(path); % 测试图片 [bboxes, scores, cate] = detect(detector, img); disp(cate) if(~isempty(bboxes)) img = insertObjectAnnotation(img,'rectangle',bboxes,cate); end titleName = strrep(path, '.\数据集\process\',''); titleName = strrep(titleName, '_',''); titleName = strrep(titleName, '.png',''); title(titleName) imshow(img) end给我详细的,一字一句,一句一句的解释这段代码

clc; clear all; close all; doTraining = 1; % 是否训练 %% 数据集标注 % trainingImageLabeler %% 导入数据集 load('data400.mat'); len = (size(data400, 1))/2; percent = 0.6; % 划分训练集 trainLen = round(len*percent); trainImg = data400([1:trainLen len+(1:trainLen)], 1:3); %% 网络参数 % 输入图片尺寸 imageSize = [128 128 3]; % 定义要检测的对象类的数量 numClasses = width(trainImg) - 1; % 根据训练数据估计检测框大小 trainingData = boxLabelDatastore(trainImg(:,2:end)); numAnchors = 2; % 两种检测框 [anchorBoxes, meanIoU] = estimateAnchorBoxes(trainingData, numAnchors); %% 搭建网络 % 导入基础训练网络resnet18 baseNetwork = resnet18(); % analyzeNetwork(baseNetwork) % 查看基础网络结构 % 指定特征提取层 featureLayer = 'res3a_relu'; % 创建 YOLO v2 对象检测网络 lgraph = yolov2Layers(imageSize,numClasses,anchorBoxes,baseNetwork,featureLayer); % analyzeNetwork(lgraph); % 查看搭建的YOLO网络结构 %% 训练YOLO检测网络 if doTraining % 训练参数 options = trainingOptions('sgdm', ... 'MiniBatchSize', 50, .... 'InitialLearnRate', 0.001, ... 'MaxEpochs', 100,... 'ExecutionEnvironment','cpu',... 'Shuffle', 'every-epoch'); % 训练检测器 [detector, info] = trainYOLOv2ObjectDetector(trainImg, lgraph, options); save(['模型New/model' num2str(round(rand*1000)) '.mat'], 'detector', 'info') else % 导入已训练模型 modelName = ''; load(modelName); end %% 查看训练结果 disp(detector) figure plot(info.TrainingLoss) grid on xlabel('Number of Iterations') ylabel('Training Loss for Each Iteration')请给我详细的,一字一句的,一句一句的解释这段代码

close all clear clc disp('***** 基于EKF的位置速度观测组合导航程序 *****'); disp('Step1:加载数据;'); load IMU_data200.mat %惯导原始数据 load Reference_data.mat %GPS测量数据 disp('Step2:初始化参数;'); %% 一些导航参数常数项 WIE = 7.292115e-5; % 地球自转角速度 r0 = 6378137.0; % 地球半径 EE = 0.0818191908426; % 偏心率 d2r = pi/180; % degree to radian r2d = 180/pi; % radian to degree dh2rs = d2r/3600; % deg/h to rad/s %% 导航坐标系下初始化姿态,速度,位置 yaw = (0)*pi/180;%航向角 pitch = 0*pi/180;%俯仰角 roll = 0*pi/180;%滚动角 cbn=eul2dcm(roll,pitch,yaw); cnb=cbn'; q=dcm2quat(cbn)'; Vn=0;%北向速度 Ve=0;%东向速度 Vd=0;%地向速度 V_last=[Vn Ve Vd]'; Lati = 31.4913627505302*pi/180;%纬度 Longi= 120.849577188492*pi/180;%经度 Alti = 6.6356;%高度 sampt0=1/200;%惯导系统更新时间 Rn = r0*(1-EE^2)/(1-EE^2*(sin(Lati))^2)^1.5; %子午圈曲率半径 Re = r0/(1-EE^2*(sin(Lati))^2)^0.5; %卯酉圈曲率半径 g_u = -9.7803267711905*(1+0.00193185138639*sin(Lati)^2)... /((1-0.00669437999013*sin(Lati)^2)^0.5 *(1.0 + Alti/r0)^2); g = [0 0 -g_u]';%重力 g0=9.80665; %% 卡尔曼滤波P、Q、R设置 % P的设置 std_roll = (5)*d2r; std_pitch = (5)*d2r; std_yaw = (60)*d2r; std_vel = 0.1; std_pos = 5; std_gyro = 3*0.5*dh2rs; % 陀螺随机漂移0.5度/小时 std_acc = 3*0.15e-3*g0; % 加表零偏0.15mg Pfilter = diag([std_roll^2 std_pitch^2 std_yaw^2 std_vel^2 std_vel^2 std_vel^2 (std_pos/3600/30/57.3)^2 (std_pos/3600/30/57.3)^2 std_pos^2 std_gyro^2 std_gyro^2 std_gyro^2 std_acc^2 std_acc^2 std_acc^2]); % Q的设置 std_Wg = 0.15*(2.909*1e-4); % 陀螺漂移噪声,度/根号小时转化成rad/根号秒 std_Wa = 0.21/60/3; % 加表漂移噪声 Qkf = diag([std_Wg^2 std_Wg^2 std_Wg^2 std_Wa^2 std_Wa^2 std_Wa^2]); G = zeros(15, 6); F = zeros(15); F_i=zeros(9,9); F_s=zeros(9,6); H = zeros(6,15); H(1:3,4:6) = eye(3); H(4:6,7:9) = eye(3); % R的设置 R = diag([std_vel^2 std_vel^2 std_vel^2 (std_pos/3600/30/57.3)^2 (std_pos/3600/30/57.3)^2 (std_pos)^2]);

最新推荐

recommend-type

PIC18F27_47Q10中文数据手册.pdf

- **可配置逻辑单元(CLC)**:自定义组合和顺序逻辑电路,增加了设计的灵活性。 - **互补波形发生器(CWG)**:适用于全桥、半桥和单通道驱动,支持上升沿和下降沿死区控制。 - **捕捉/比较/PWM模块(CCP)**:2个...
recommend-type

SPD-Conv-main.zip

SPD-Conv-main.zip
recommend-type

GitHub图片浏览插件:直观展示代码中的图像

资源摘要信息: "ImagesOnGitHub-crx插件" 知识点概述: 1. 插件功能与用途 2. 插件使用环境与限制 3. 插件的工作原理 4. 插件的用户交互设计 5. 插件的图标和版权问题 6. 插件的兼容性 1. 插件功能与用途 插件"ImagesOnGitHub-crx"设计用于增强GitHub这一开源代码托管平台的用户体验。在GitHub上,用户可以浏览众多的代码仓库和项目,但GitHub默认情况下在浏览代码仓库时,并不直接显示图像文件内容,而是提供一个“查看原始文件”的链接。这使得用户体验受到一定限制,特别是对于那些希望直接在网页上预览图像的用户来说不够方便。该插件正是为了解决这一问题,允许用户在浏览GitHub上的图像文件时,无需点击链接即可直接在当前页面查看图像,从而提供更为流畅和直观的浏览体验。 2. 插件使用环境与限制 该插件是专为使用GitHub的用户提供便利的。它能够在GitHub的代码仓库页面上发挥作用,当用户访问的是图像文件页面时。值得注意的是,该插件目前只支持".png"格式的图像文件,对于其他格式如.jpg、.gif等并不支持。用户在使用前需了解这一限制,以免在期望查看其他格式文件时遇到不便。 3. 插件的工作原理 "ImagesOnGitHub-crx"插件的工作原理主要依赖于浏览器的扩展机制。插件安装后,会监控用户在GitHub上的操作。当用户访问到图像文件对应的页面时,插件会通过JavaScript检测页面中的图像文件类型,并判断是否为支持的.png格式。如果是,它会在浏览器地址栏的图标位置上显示一个小octocat图标,用户点击这个图标即可触发插件功能,直接在当前页面上查看到图像。这一功能的实现,使得用户无需离开当前页面即可预览图像内容。 4. 插件的用户交互设计 插件的用户交互设计体现了用户体验的重要性。插件通过在地址栏中增加一个小octocat图标来提示用户当前页面有图像文件可用,这是一种直观的视觉提示。用户通过简单的点击操作即可触发查看图像的功能,流程简单直观,减少了用户的学习成本和操作步骤。 5. 插件的图标和版权问题 由于插件设计者在制作图标方面经验不足,因此暂时借用了GitHub的标志作为插件图标。插件的作者明确表示,如果存在任何错误或版权问题,将会进行更改。这体现了开发者对知识产权尊重的态度,同时也提醒了其他开发者在使用或设计相关图标时应当考虑到版权法律的约束,避免侵犯他人的知识产权。 6. 插件的兼容性 插件的兼容性是评估其可用性的重要标准之一。由于插件是为Chrome浏览器的用户所设计,因此它使用了Chrome扩展程序的标准格式,即.crx文件。用户需要通过浏览器的扩展程序管理界面进行安装。尽管目前插件仅支持.png图像格式,但对于希望在GitHub上浏览.png图像文件的用户来说,已经提供了非常实用的功能。未来,若开发者计划拓展插件支持的文件格式或适用于其他浏览器,则需要考虑到对现有代码的扩展和兼容性测试。 总结: "ImagesOnGitHub-crx"插件通过创新的用户体验设计,解决了GitHub在浏览图像文件时的一些局限性,使得图像浏览更加直观和便捷。尽管目前该插件存在一些限制,如仅支持.png格式和仅在Chrome浏览器中可用,但它为用户和开发者提供了良好的思路和实践。对于希望提高效率和增强功能的用户来说,这类工具扩展了GitHub的实用性,是开发人员工具箱中的一个有益补充。
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

【OPPO手机故障诊断专家】:工程指令快速定位与解决

![【OPPO手机故障诊断专家】:工程指令快速定位与解决](https://www.consumerelectronicstestdevelopment.com/media/2hlomnxy/oppo.jpg?anchor=center&mode=crop&width=1002&height=564&bgcolor=White&rnd=132773815380200000) # 摘要 本文综述了OPPO手机故障诊断的技术细节,涵盖了工程指令的基础理论、实践应用、高级技巧以及未来发展方向。首先介绍了工程指令的定义、分类、执行环境及其与手机系统交互的重要性。随后,深入探讨了工程指令在初步故障诊断
recommend-type

求[100,900]之间相差为12的素数对(注:要求素数对的两个素数均在该范围内)的个数

求解 [100, 900] 范围内相差为 12 的素数对,首先我们需要确定哪些数在这个区间内是素数。然后筛选出它们成对出现且差值为 12 的情况。 1. 确定素数范围内的素数:我们可以编写一个简单的程序来检查每个数字是否为素数,如果数字大于 1,并且除 2 到其平方根之间的所有整数都不能整除它,那么这个数字就是素数。 2. 遍历并寻找符合条件的素数对:从较大的素数开始向下遍历,找到的第一个素数作为“较大”素数,然后查看比它小 12 的下一个数,如果这个数也是素数,则找到了一对符合条件的素数。 3. 统计素数对的数量:统计在给定范围内找到的这种差距为 12 的素数对的数量。 由于计算素数
recommend-type

Android IPTV项目:直播频道的实时流媒体实现

资源摘要信息:"IPTV:直播IPTV的Android项目是一个基于Android平台的实时流式传输应用。该项目允许用户从M3U8或M3U格式的链接或文件中获取频道信息,并将这些频道以网格或列表的形式展示。用户可以在应用内选择并播放指定的频道。该项目的频道列表是从一个预设的列表中加载的,并且通过解析M3U或M3U8格式的文件来显示频道信息。开发者还计划未来更新中加入Exo播放器以及电子节目单功能,以增强用户体验。此项目使用了多种技术栈,包括Java、Kotlin以及Kotlin Android扩展。" 知识点详细说明: 1. IPTV技术: IPTV(Internet Protocol Television)即通过互联网协议提供的电视服务。它与传统的模拟或数字电视信号传输方式不同,IPTV通过互联网将电视内容以数据包的形式发送给用户。这种服务使得用户可以按需观看电视节目,包括直播频道、视频点播(VOD)、时移电视(Time-shifted TV)等。 2. Android开发: 该项目是针对Android平台的应用程序开发,涉及到使用Android SDK(软件开发工具包)进行应用设计和功能实现。Android应用开发通常使用Java或Kotlin语言,而本项目还特别使用了Kotlin Android扩展(Kotlin-Android)来优化开发流程。 3. 实时流式传输: 实时流式传输是指媒体内容以连续的流形式进行传输的技术。在IPTV应用中,实时流式传输保证了用户能够及时获得频道内容。该项目可能使用了HTTP、RTSP或其他流媒体协议来实现视频流的实时传输。 4. M3U/M3U8文件格式: M3U(Moving Picture Experts Group Audio Layer 3 Uniform Resource Locator)是一种常用于保存播放列表的文件格式。M3U8则是M3U格式的扩展版本,支持UTF-8编码,常用于苹果设备。在本项目中,M3U/M3U8文件被用来存储IPTV频道信息,如频道名称、视频流URL等。 5. Exo播放器: ExoPlayer是谷歌官方提供的一个开源视频播放器,专为Android优化。它支持多种特性,如自定义字幕、HDR视频播放、无缝直播等。ExoPlayer通常用于处理IPTV应用中的视频流媒体播放需求。 6. 电子节目单(EPG): 电子节目单是IPTV应用中一项重要功能,它为用户提供频道的节目指南,包括当前播放的节目以及未来节目的安排。电子节目单一般以网格或列表形式展示,方便用户浏览和搜索节目信息。 7. 开源贡献文化: 该项目提到了欢迎贡献者,表明这是一个开源项目。在开源文化中,开发者社区鼓励用户、开发者贡献代码来改进项目,这是一个共享知识、共同进步的过程。参与者通过贡献代码、报告问题或提供文档帮助等方式参与项目。 8. Kotlin编程语言: Kotlin是一种运行在Java虚拟机上的静态类型编程语言,它与Java完全兼容并可以无缝集成Java代码。Kotlin以其简洁、安全和富有表现力的特点被越来越多的Android开发者采用。在本项目中,使用Kotlin可以简化代码结构,提高开发效率和应用性能。 总结而言,本项目是一个面向Android平台的实时流媒体IPTV应用开发项目,它整合了实时流式传输、M3U/M3U8文件解析、Exo播放器使用、电子节目单功能等关键技术点,并在开源社区中寻求贡献者的参与。通过本项目,开发者可以深入了解如何在Android平台上实现IPTV服务,并学习到使用Kotlin和Java等编程语言进行Android应用开发的相关知识。
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
recommend-type

【OPPO手机工程模式终极指南】:掌握这些秘籍,故障排查不再难!

![【OPPO手机工程模式终极指南】:掌握这些秘籍,故障排查不再难!](https://i02.appmifile.com/mi-com-product/fly-birds/redmi-note-13/M/23e4e9fd45b41a172a59f811e3d1406d.png) # 摘要 OPPO手机工程模式是为高级用户和开发者设计的一组调试和诊断工具集,它能够帮助用户深入了解手机硬件信息、进行测试和故障诊断,并优化设备性能。本文将对OPPO工程模式进行系统性的介绍,包括如何进入和安全退出该模式,详述其中的基础与高级功能,并提供实用的故障诊断和排查技巧。同时,本文还将探讨如何利用工程模式对
recommend-type

前端在json文件里写模板,可以换行 有空格现在在文本框的时候

前端在 JSON 文件中通常不会直接写模板,并且 JSON 格式本身是基于键值对的,不支持换行和空格的保留。JSON 是一种数据交换格式,它要求数据结构紧凑、易于解析。如果你需要在前端显示模板内容,推荐使用 JavaScript 的模板字符串 (Template literals) 或者 Handlebars、Mustache 等前端模板引擎。 当你想在文本框中显示 JSON 数据时,会先将 JSON 转换成 HTML 可渲染的内容。例如: ```javascript let jsonData = { "template": "这是一个<br>换行示例", "text": "这是文