FuLeQun's Blog

无人机辅助移动边缘计算的计算卸载优化:一种深度确定性策略梯度方法（6）——代码实现 参考连接： [1] Wang Y , Fang W , Ding Y , et al. Computation offloading optimization for UAV-assisted mobile edge computing: a deep deterministic policy gradient

无人机辅助移动边缘计算的计算卸载优化:一种深度确定性策略梯度方法（5）——结果与分析 参考文献： [1] Wang Y , Fang W , Ding Y , et al. Computation offloading optimization for UAV-assisted mobile edge computing: a deep deterministic policy gradient

无人机辅助移动边缘计算的计算卸载优化:一种深度确定性策略梯度方法（4）——DDPG-based算法 参考文献： [1] Wang Y , Fang W , Ding Y , et al. Computation offloading optimization for UAV-assisted mobile edge computing: a deep deterministic policy g

无人机辅助移动边缘计算的计算卸载优化:一种深度确定性策略梯度方法（3）——基础知识 参考文献： [1] Wang Y , Fang W , Ding Y , et al. Computation offloading optimization for UAV-assisted mobile edge computing: a deep deterministic policy gradient

无人机辅助移动边缘计算的计算卸载优化:一种深度确定性策略梯度方法（2）——模型构建 参考文献： [1] Wang Y , Fang W , Ding Y , et al. Computation offloading optimization for UAV-assisted mobile edge computing: a deep deterministic policy gradient

无人机辅助移动边缘计算的计算卸载优化:一种深度确定性策略梯度方法（1）——介绍 参考文献： [1] Wang Y , Fang W , Ding Y , et al. Computation offloading optimization for UAV-assisted mobile edge computing: a deep deterministic policy gradient ap

无人机辅助移动边缘计算的计算卸载优化:一种深度确定性策略梯度方法 摘要：无人机(UAV)可以在无线系统中发挥重要作用，因为它可以灵活地部署，帮助提高通信的覆盖和质量。本文研究了一种无人机辅助的移动边缘计算(MEC)系统，在该系统中，无人机配备了计算资源，可以为附近的用户设备提供卸载服务。终端将部分计算任务卸载给无人机，其余计算任务在终端本地执行。在离散变量和能量消耗约束下，通过联合优化用户调度、任

参考链接： https://blog.csdn.net/fkjslee/article/details/108363025 问题描述 Windows10 64位系统使用Uninstall-Anaconda3.exe程序卸载Anaconda，之后重新安装只有部分文件夹。 输入conda会显示conda命令不存在 解决办法 删除“C:\Users\你的用户名” 下的.condarc文件后重新安装

参考链接： Ubuntu 16.04桌面版卸载不必要的自带软件 - 简书 (jianshu.com) 背景 由于Ubuntu自带了一些例如Firefox、LibreOffice软件，占用系统大量空间，所以需要将其删除。 卸载方法 1.卸载LibreOffice sudo apt-get remove libreoffice-common 2.删除Amazon广告图标 sudo rm -f /u

参考链接： Vmware Ubuntu kylin NAT模式上网设置_y4ung-CSDN博客 ubuntu16.04纯净版-安装Python3.8.1/升级pip - 王钰 - 博客园 (cnblogs.com) ubuntu python3 pip报错SyntaxError: invalid syntax_海棠花未眠的博客-CSDN博客 虚拟机安装不赘述了，使用版本为ubuntukyli

参考链接： https://blog.csdn.net/LagrangeSK/article/details/80943045 https://blog.csdn.net/qq_37402392/article/details/121348504?spm=1001.2014.3001.5501 https://blog.csdn.net/qq_37402392/article/details/1

参考链接： https://mofanpy.com/tutorials/machine-learning/reinforcement-learning/intro-q-learning/ 第2章 Q-learning 强化学习中有名的算法，Q-learning。由第一章可知，Q-learning的分类是model-free，基于价值，单步更新，离线学习。 2.1 什么是Q-Learning 2

对《深度学习实战》杨云、杜飞著这本书进行了学习，完成了所有的编码问题，将所有内容整理完毕。 原本课程代码是Python2，本人使用Python3进行了重写，使用版本Python 3.8.2。 源代码下载： https://gitee.com/zuiyixin/dlaction 笔记（部分章节）： 深度学习实战 第4章深度学习正则化笔记 https://blog.csdn.net/qq_37402

本次涉及代码较多，部分重复代码不再重复发布。重复的代码详见以下链接： https://blog.csdn.net/qq_37402392/article/details/121468321?spm=1001.2014.3001.5501 bn_layers.py cnn_layers.py dropout_layers.py layers.py updater.py 以下是本次添加的内容。 cap

本小节我们将使用 RNN 完成图像说明( Image Captioning)任务。该任务需要联合 CNN 与 RNN 一同学习，CNN 用于提取图像特征，RNN 用于生成图像特征所对应的说明文字。 在训练阶段，首先我们将图片放入卷积网络中进行特征提取，将其作为隐藏层h0的输入；然后将图片对应的文字描述一个单词接一个单词的输入到 RNN 中，而 RNN 输出则是当前单词的下一个预测单词。 在测试阶段

参考链接： https://www.zhihu.com/question/351283901 https://www.bilibili.com/video/BV1qs411k7By/?spm_id_from=autoNext https://www.zhihu.com/question/26737898 https://www.bilibili.com/read/cv4080459 https:

参考链接： https://mofanpy.com/tutorials/machine-learning/reinforcement-learning/intro-RL/ https://www.cnblogs.com/maybe2030/p/9862353.html 第1章 简介 强化学习是机器学习大家族中的一大类, 使用强化学习能够让机器学着如何在环境中拿到高分, 表现出优秀的成绩. 而这

第7章 循环神经网络 1.前馈神经网络总是单向的，从输入层到低级隐层，再从低级隐藏层到高级隐藏层，最后再到输出层。但不管网络有多少层，都是一层一层地前向输出。但这其实是有问题的，因为这种前馈结构需要假设数据是独立同分布，但现实中有很多复杂的数据都不满足这个条件，例如音频数据、视频数据及自然语言数据等。 2.当我们将一篇英文文本翻译成中文文本时，句子之间，段落之间是存在上下文关系的，在特定的情景中单

内容： kind: ClusterRole #ClusterRole是一组权限的集合，但与Role不同的是，ClusterRole可以在包括所有NameSpce和集群级别的资源或非资源类型进行鉴权。 apiVersion: rbac.authorization.k8s.io/v1 #api版本 metadata: # 资源的元数据/属性 name: multipoint-plugin-exa

一、Centos安装docker 1、使用官方安装脚本自动安装 安装命令如下： curl -fsSL https://get.docker.com | bash -s docker --mirror Aliyun 也可以使用国内 daocloud 一键安装命令： curl -sSL https://get.daocloud.io/docker |