复杂网络K-shell法顶点排序实例.py

【实例简介】 用到pygame模块编的植物大战僵尸

动手学习深度学习——pytorch版本

图书管理系统 使用说明 功能演示： 下载整个程序包，确保系统有python3环境，打开cmd，输入命令（替换成本机的工程目录地址）： python F:ook_management_sysook_management_sys.py runserver 浏览器输入 http://127.0.0.1:5000/ 进入系统 系统分两类用户：普通读者用户，管理员用户。 普通读者用户可以查看图书信息和查看借阅记录，在登录页顶端导航栏切换功能，不用输入用户名、密码。 管理员用户可使用一切功能，账号、密码登陆后，进行日常业务操作。 测试数据： 图书信息书名可填写“学习”“机器”，类别可填写“计算机”等；学生借阅卡可填写：16000001,16000002,16000003（该卡无借阅记录）；

xlwt包

飞机大战

一、俄罗斯方块DQN算法实验报告1. 网络结构图1 DQN网络结构2. 超参数 GAMMA = 0.99  # decay rate of past observations 设置增强学习更新公式中的累计折扣因子 OBSERVE = 500.  # timesteps to observe before training 设置观察期的迭代次数 EXPLORE = 500.  # frames over which to anneal epsilon 设置探索期的观察次数 FINAL_EPSILON = 0.002  # final value of epsilon 设置ε的最终最小值 INITIAL_EPSILON = 10.0  # starting value of epsilon 设置ε的初始值 REPLAY_MEMORY = 5900  # number of previous transitions to remember 设置replay memory的容量 BATCH = 32  # size of mini batch 设置每次网络参数更新世用的样本数目 K = 1  # only select an action every Kth frame, repeat prev for others，设置几帧图像进行一次动作， # K越大让控制台输出的速度变慢，游戏画面速度变快，机器人动作的速度变越迟缓。ACTIONS = 6  # number of valid actions 游戏动作数3.实验结果训练前期的self.score分数很低150左右，EPSILON=1.0，Q_MAX= 2.061341e-02：图2 EPSILON=1.0设置超参数EPSILON=0.05在1000步迭代之后：EPSILON固定在0.04999999999999416  Q_MAX = -1.163765e-01Self.score有明显的提升，但是之后无论训练多久都没有明显提升了。图3 EPSILON=0.05设置超参数EPSILON= 0.002在1001步迭代之后：EPSILON固定在0.000004 Q_MAX = 1.728995e 02Self.score可以轻松达到200以上。图4 EPSILON=0.000004设置超参数EPSILON= 0.000001在1001步迭代之后：EPSILON固定在-0.001998997999987482  Q_MAX = 1.899879e 03Self.score可以轻松达到200以上。图5 EPSILON=-0.002 【核心代码】用DQN来玩俄罗斯方块 tetrix_DQN ├── Wrapped Game Code│   └── tetris_fun.py├── deep_q_network.py├── logs_tetris│   ├── hidden.txt│   └── readout.txt└── saved_networks    ├── tetris-dqn-10000.data-00000-of-00001    ├── tetris-dqn-10000.index    ├── tetris-dqn-10000.meta    └── tetris-dqn-316600003 directories, 8 files

从零开始学Python网络爬虫_源代码.rar

图像处理(scipy.misc.bytescale.py)

【实例简介】使用python调用opencv打开本地摄像头

【实例简介】