轻松选择:3D视图菜单体验指南

版权申诉
0 下载量 110 浏览量 更新于2024-11-03 收藏 199KB RAR 举报
资源摘要信息:"从菜单中选择功能的说明文档" 在本文档中,将详细说明如何在软件中选择你需要查看的特定框架。文档标题"Choosing_from_menu.rar_You Can!"明确指出了本文档的主题,即如何从菜单中进行选择。描述部分"你可以在菜单中选择你想要查看的框架(八面体、立方体、四面体)"则进一步细化了文档的内容,指出了可以选择的三种具体的几何形状框架。 从标题和描述中,我们可以提炼出以下重要的知识点: 1. 菜单操作基础:文档描述了通过菜单来执行操作的基本概念。在软件应用中,菜单通常是一系列可供用户选择的命令、选项或设置的列表。它们是用户界面的一部分,旨在让用户能够与软件进行互动和管理。 2. 三维几何形状框架的展示:在文档中提及的三种几何形状——八面体、立方体、四面体——是立体几何学中的基本概念。八面体是由两个相同正方形金字塔底面相接构成的立体;立方体是由六个相等的正方形面构成的立体;四面体是由四个相等的三角形面构成的立体。这些形状在多个领域中都有广泛应用,如物理学、工程学、计算机图形学等。 3. 选择功能的重要性:在任何的软件应用中,选择功能是实现用户个性化需求的重要手段。用户可以根据自己的需求,从软件提供的选项中选择合适的功能来使用。这既提高了用户体验,也使得软件更加灵活多用。 4. 软件界面元素:文档中提到的“菜单”是用户界面(User Interface, UI)的一个重要组成部分。用户界面是人与机器之间交流信息的工具,它包括了软件的图形、文本、按钮、菜单等多种元素。 5. 如何使用压缩包文件:文档名称后缀为.rar表明这是一个压缩包文件,通常包含了一个或多个文件,并通过特定的压缩软件进行压缩以减少文件大小或便于打包传输。用户需要使用相应的解压缩软件来打开和查看其中的文件列表。 综上所述,文档“Choosing_from_menu.rar_You Can!”主要是在指导用户如何在软件的菜单中进行选择,以查看不同类型的三维几何形状框架。通过掌握这些知识点,用户将能够更加熟练地操作相关的软件界面,以满足自己的特定需求。

class PPO(object): def __init__(self): self.sess = tf.Session() self.tfs = tf.placeholder(tf.float32, [None, S_DIM], 'state') # critic with tf.variable_scope('critic'): l1 = tf.layers.dense(self.tfs, 100, tf.nn.relu) self.v = tf.layers.dense(l1, 1) self.tfdc_r = tf.placeholder(tf.float32, [None, 1], 'discounted_r') self.advantage = self.tfdc_r - self.v self.closs = tf.reduce_mean(tf.square(self.advantage)) self.ctrain_op = tf.train.AdamOptimizer(C_LR).minimize(self.closs) # actor pi, pi_params = self._build_anet('pi', trainable=True) oldpi, oldpi_params = self._build_anet('oldpi', trainable=False) with tf.variable_scope('sample_action'): self.sample_op = tf.squeeze(pi.sample(1), axis=0) # choosing action with tf.variable_scope('update_oldpi'): self.update_oldpi_op = [oldp.assign(p) for p, oldp in zip(pi_params, oldpi_params)] self.tfa = tf.placeholder(tf.float32, [None, A_DIM], 'action') self.tfadv = tf.placeholder(tf.float32, [None, 1], 'advantage') with tf.variable_scope('loss'): with tf.variable_scope('surrogate'): # ratio = tf.exp(pi.log_prob(self.tfa) - oldpi.log_prob(self.tfa)) ratio = pi.prob(self.tfa) / (oldpi.prob(self.tfa) + 1e-5) surr = ratio * self.tfadv if METHOD['name'] == 'kl_pen': self.tflam = tf.placeholder(tf.float32, None, 'lambda') kl = tf.distributions.kl_divergence(oldpi, pi) self.kl_mean = tf.reduce_mean(kl) self.aloss = -(tf.reduce_mean(surr - self.tflam * kl)) else: # clipping method, find this is better self.aloss = -tf.reduce_mean(tf.minimum( surr, tf.clip_by_value(ratio, 1.-METHOD['epsilon'], 1.+METHOD['epsilon'])*self.tfadv))

2023-05-31 上传