强化学习实战2：动手写迷宫环境

迷宫环境介绍与创建

迷宫环境图示如下：

在这里插入图片描述

如图所示，其为一个 三乘三 的网格世界，我们要让 agent 从 S0 采取策略出发，然后走到 S8，图中红线部分表示障碍不能逾越，其中 S1 和 S4 之间有一个障碍，S3 和 S4 之间有一个障碍，S3 和 S6 之间有一个障碍，S5 和 S8 之间有一个障碍。

这就是我们的迷宫环境。

代码如下：

import matplotlib.pyplot as plt# 创建一个新的图形对象，并设置其大小为 5x5 英寸
fig = plt.figure(figsize=(5, 5))# 获取当前图形对象的轴对象
ax = plt.gca()# 设置坐标轴的范围
ax.set_xlim(0, 3)
ax.set_ylim(0, 3)# 绘制红色的方格边界，表示迷宫的结构
plt.plot([2, 3], [1, 1], color='red', linewidth=2)
plt.plot([0, 1], [1, 1], color='red', linewidth=2)
plt.plot([1, 1], [1, 2], color='red', linewidth=2)
plt.plot([1, 2], [2, 2], color='red', linewidth=2)# 在指定位置添加文字标签，表示每个状态（S0-S8）、起点和终点
plt.text(0.5, 2.5, 'S0', size=14, ha='center')
plt.text(1.5, 2.5, 'S1', size=14, ha='center')
plt.text(2.5, 2.5, 'S2', size=14, ha='center')
plt.text(0.5, 1.5, 'S3', size=14, ha='center')
plt.text(1.5, 1.5, 'S4', size=14, ha='center')
plt.text(2.5, 1.5, 'S5', size=14, ha='center')
plt.text(0.5, 0.5, 'S6', size=14, ha='center')
plt.text(1.5, 0.5, 'S7', size=14, ha='center')
plt.text(2.5, 0.5, 'S8', size=14, ha='center')
plt.text(0.5, 2.3, 'Start', ha='center')
plt.text(2.5, 0.3, 'Goal', ha='center')# 设置坐标轴的显示参数，使得坐标轴不显示
plt.tick_params(axis='both', which='both',bottom=False, top=False,right=False, left=False,labelbottom=False, labelleft=False)# 在起点位置绘制一个绿色的圆形表示当前位置
line, = ax.plot([0.5], [2.5], marker='o', color='g', markersize=60)# 显示图形
plt.show()

运行结果如下：

在这里插入图片描述

agent 的动作策略设计

如下图所示：

在这里插入图片描述

不难看出，state 总共有九个，也就是离散（discrete）且有限（finite）的三乘三网格世界。

而动作空间共有上下左右四个选择，用一个数组来表示。

而 Π 就是我们的策略了，可以看见其有一个下标 θ，这是参数的意思，在神经网络参与的算法中这个策略参数由神经网络确定，而在本节中尚未提及神经网络，因此使用一个 table ，也就是一个 状态-行为 矩阵来确定策略。

下面开始来刻画环境需要的边界和障碍信息：

# 刻画环境：边界border 和 障碍barrier
theta_0 = np.array([[np.nan, 1, 1, np.nan],  # 表示S0时的策略，即agent不能往上、不能往左走，但可以往右和下走[np.nan, 1, np.nan, 1],  # S1[np.nan, np.nan, 1, 1],  # S2[1, np.nan, np.nan, np.nan],  # S3[np.nan, 1, 1, np.nan],  # S4[1, np.nan, np.nan, 1],  # S5[np.nan, 1, np.nan, np.nan],  # S6[1, 1, np.nan, 1],  # S7# S8 已经是终点了，因此不再需要上下左右到处走了
])

然后需要将上述的参数矩阵给转换成策略 Π 的值，也就是采取各个 action 的概率值：

# 将 theta_0 转换为 策略 Π，而 Π 其实就是概率值嘛
def cvt_theta_0_to_pi(theta):m, n = theta.shapepi = np.zeros((m, n))for r in range(m):# pi[r, :]这是一个赋值操作的左侧表达式，它使用了NumPy的索引机制。# 在这里，pi 应该是一个二维数组（矩阵），r 表示行索引，: 表示选择该行的所有列。# 因此，这一部分指定了 pi 矩阵中的第 r 行的所有列。# np.nansum() 这是一个NumPy函数调用。np.nansum() 用于计算数组中元素的总和，忽略 NaN 值。# theta[r, :] 提供了一个一维数组作为函数的参数，表示对 theta 矩阵中第 r 行的所有元素进行求和。# 因此下面这一行代码是一个按元素的除法操作。# 它将 theta 矩阵中第 r 行的每个元素分别除以该行所有元素的和（忽略 NaN 值）。# 这样做可以将该行的元素归一化为一个概率分布，确保它们的总和为 1。pi[r, :] = theta[r, :] / np.nansum(theta[r, :])return np.nan_to_num(pi)pi = cvt_theta_0_to_pi(theta_0)
# 先打印一下看是什么样子的结果
print(pi)

运行结果如下：

在这里插入图片描述

可以看见此时的 state-action 矩阵就已经构建好了。

下面构建动作空间列表以及状态转移函数：

# 动作空间：0表示向上，1表示向右，2表示向下，3表示向左
actions = list(range(4))# 状态转移函数
def step(state, action):if action == 0:state -= 3elif action == 1:state += 1elif action == 2:state += 3elif action == 3:state -= 1return state

策略测试

那么接下来我们就可以进行测试了，使用上述构建的环境和配置，可以进行路径的搜索了：

state = 0
action_history = []
state_history = [state]
while True:"""对下面这一行代码进行的解释：np.random.choice：这是 NumPy 库中的一个函数，用于从给定的一维数组或类似序列中随机选择元素。在这里，我们将从 actions 数组中随机选择一个元素。actions：这是一个包含可选动作的一维数组或列表。np.random.choice 将从这个数组中进行选择。p=pi[state, :]：这是 np.random.choice 函数的一个参数，用于指定每个元素被选择的概率。在这里，pi 是一个二维数组（矩阵），state 是当前状态的索引，: 表示选择该行的所有列。因此，pi[state, :] 提供了一个概率分布，用于指定在选择时每个动作的相对概率。赋值操作：action = ... 将 np.random.choice 的结果赋值给变量 action。这意味着 action 将是从 actions 数组中随机选择的一个元素，选择的概率由 pi[state, :] 给出。"""action = np.random.choice(actions, p=pi[state, :])state = step(state, action)if state == 8:state_history.append(8)breakaction_history.append(action)state_history.append(state)print(len(state_history))
print(state_history)

运行结果如下：

在这里插入图片描述

可以看到在这一次运行中，agent 走了 38 步才到达 S8，所走过的路径如上图所示。

动画可视化搜索过程

直接上代码：

from matplotlib import animation
from IPython.display import HTMLdef init():line.set_data([], [])return (line, )def animate(i):state = state_history[i]x = (state % 3) + 0.5y = 2.5 - int(state / 3)line.set_data(x, y)anim = animation.FuncAnimation(fig, animate, init_func=init, frames=len(state_history), interval=200, repeat=False)
anim.save('maze_0.mp4')
# 视频观测有时候不太友好，我们还可以使用 IPython 提供的 HTML 的交互式工具
# 由于 PyCharm 不支持显示 IPython 的交互式输出，因此我们这里将 IPython 的输出转换为 HTML 文件再打开
with open('animation.html', 'w') as f:f.write(anim.to_jshtml())

运行结果如下：

在这里插入图片描述

比起直接观看视频，这种交互式的过程更能帮助我们从细节上一点一点看清楚 agent 的运行轨迹。

总结

上面的代码是为了讲清楚各部分的功能和实现细节，全部代码合在一起就是下面这样：

import matplotlib.pyplot as plt
import numpy as np# 创建一个新的图形对象，并设置其大小为 5x5 英寸
fig = plt.figure(figsize=(5, 5))# 获取当前图形对象的轴对象
ax = plt.gca()# 设置坐标轴的范围
ax.set_xlim(0, 3)
ax.set_ylim(0, 3)# 绘制红色的方格边界，表示迷宫的结构
plt.plot([2, 3], [1, 1], color='red', linewidth=2)
plt.plot([0, 1], [1, 1], color='red', linewidth=2)
plt.plot([1, 1], [1, 2], color='red', linewidth=2)
plt.plot([1, 2], [2, 2], color='red', linewidth=2)# 在指定位置添加文字标签，表示每个状态（S0-S8）、起点和终点
plt.text(0.5, 2.5, 'S0', size=14, ha='center')
plt.text(1.5, 2.5, 'S1', size=14, ha='center')
plt.text(2.5, 2.5, 'S2', size=14, ha='center')
plt.text(0.5, 1.5, 'S3', size=14, ha='center')
plt.text(1.5, 1.5, 'S4', size=14, ha='center')
plt.text(2.5, 1.5, 'S5', size=14, ha='center')
plt.text(0.5, 0.5, 'S6', size=14, ha='center')
plt.text(1.5, 0.5, 'S7', size=14, ha='center')
plt.text(2.5, 0.5, 'S8', size=14, ha='center')
plt.text(0.5, 2.3, 'Start', ha='center')
plt.text(2.5, 0.3, 'Goal', ha='center')# 设置坐标轴的显示参数，使得坐标轴不显示
plt.tick_params(axis='both', which='both',bottom=False, top=False,right=False, left=False,labelbottom=False, labelleft=False)# 在起点位置绘制一个绿色的圆形表示当前位置
line, = ax.plot([0.5], [2.5], marker='o', color='g', markersize=60)# 显示图形
# plt.show()# 刻画环境：边界border 和 障碍barrier
theta_0 = np.array([[np.nan, 1, 1, np.nan],  # 表示S0时的策略，即agent不能往上、不能往左走，但可以往右和下走[np.nan, 1, np.nan, 1],[np.nan, np.nan, 1, 1],[1, np.nan, np.nan, np.nan],[np.nan, 1, 1, np.nan],[1, np.nan, np.nan, 1],[np.nan, 1, np.nan, np.nan],[1, 1, np.nan, 1],# S8 已经是终点了，因此不再需要上下左右到处走了
])# 将 theta_0 转换为 策略 Π，而 Π 其实就是概率值嘛
def cvt_theta_0_to_pi(theta):m, n = theta.shapepi = np.zeros((m, n))for r in range(m):# pi[r, :]这是一个赋值操作的左侧表达式，它使用了NumPy的索引机制。# 在这里，pi 应该是一个二维数组（矩阵），r 表示行索引，: 表示选择该行的所有列。# 因此，这一部分指定了 pi 矩阵中的第 r 行的所有列。# np.nansum() 这是一个NumPy函数调用。np.nansum() 用于计算数组中元素的总和，忽略 NaN 值。# theta[r, :] 提供了一个一维数组作为函数的参数，表示对 theta 矩阵中第 r 行的所有元素进行求和。# 因此下面这一行代码是一个按元素的除法操作。# 它将 theta 矩阵中第 r 行的每个元素分别除以该行所有元素的和（忽略 NaN 值）。# 这样做可以将该行的元素归一化为一个概率分布，确保它们的总和为 1。pi[r, :] = theta[r, :] / np.nansum(theta[r, :])return np.nan_to_num(pi)pi = cvt_theta_0_to_pi(theta_0)# 动作空间
actions = list(range(4))
print(actions)# 状态转移函数
def step(state, action):if action == 0:state -= 3elif action == 1:state += 1elif action == 2:state += 3elif action == 3:state -= 1return statestate = 0
action_history = []
state_history = [state]
while True:"""对下面这一行代码进行的解释：np.random.choice：这是 NumPy 库中的一个函数，用于从给定的一维数组或类似序列中随机选择元素。在这里，我们将从 actions 数组中随机选择一个元素。actions：这是一个包含可选动作的一维数组或列表。np.random.choice 将从这个数组中进行选择。p=pi[state, :]：这是 np.random.choice 函数的一个参数，用于指定每个元素被选择的概率。在这里，pi 是一个二维数组（矩阵），state 是当前状态的索引，: 表示选择该行的所有列。因此，pi[state, :] 提供了一个概率分布，用于指定在选择时每个动作的相对概率。赋值操作：action = ... 将 np.random.choice 的结果赋值给变量 action。这意味着 action 将是从 actions 数组中随机选择的一个元素，选择的概率由 pi[state, :] 给出。"""action = np.random.choice(actions, p=pi[state, :])state = step(state, action)if state == 8:state_history.append(8)breakaction_history.append(action)state_history.append(state)print(len(state_history))
print(state_history)from matplotlib import animation
from IPython.display import HTMLdef init():line.set_data([], [])return (line, )def animate(i):state = state_history[i]x = (state % 3) + 0.5y = 2.5 - int(state / 3)line.set_data(x, y)anim = animation.FuncAnimation(fig, animate, init_func=init, frames=len(state_history), interval=200, repeat=False)
anim.save('maze_0.mp4')
# 视频观测有时候不太友好，我们还可以使用 IPython 提供的 HTML 的交互式工具
# 由于 PyCharm 不支持显示 IPython 的交互式输出，因此我们这里将 IPython 的输出转换为 HTML 文件再打开
with open('animation.html', 'w') as f:f.write(anim.to_jshtml())

封装迷宫环境 API

上面的代码虽然已经完成了环境的编写了，但是过于混乱，因此这一节我们仿照 Gym 的格式将其封装一下。

主要就是两个部分，一个是 环境，还有一个是 Agent。

对于环境其最重要的就是 step 函数，step 函数接收一个 action 然后返回一个新的状态以及 reward 等各种信息。

对于 Agent 而言其最重要的是一个动作策略的选取。

基本结构如下：

import gym
import numpy as np
import matplotlib.pyplot as pltclass MazeEnv(gym.Env):def __init__(self):passdef reset(self):passdef step(self, action):passclass Agent:def __init__(self):passdef choose_action(self, state):pass

封装如下：

import gym
import numpy as np
import matplotlib.pyplot as plt
from matplotlib import animation
from IPython.display import HTML# MazeEnv 类维护着状态，以及 step 函数的返回
class MazeEnv(gym.Env):def __init__(self):self.state = 0def reset(self):self.state = 0return self.statedef step(self, action):if action == 0:self.state -= 3elif action == 1:self.state += 1elif action == 2:self.state += 3elif action == 3:self.state -= 1done = Falseif self.state == 8:done = True# 1 表示 reward, done 表示是否结束# {} 是一个空的字典字面量，表示返回的第四个值是一个空字典。return self.state, 1, done, {}# Agent 类基于当前环境中的状态选择动作形成策略
class Agent:def __init__(self):# action spaceself.actions = list(range(4))# 刻画环境：边界 border 和 障碍 barrierself.theta_0 = np.array([[np.nan, 1, 1, np.nan],  # 表示S0时的策略，即agent不能往上、不能往左走，但可以往右和下走[np.nan, 1, np.nan, 1],[np.nan, np.nan, 1, 1],[1, np.nan, np.nan, np.nan],[np.nan, 1, 1, np.nan],[1, np.nan, np.nan, 1],[np.nan, 1, np.nan, np.nan],[1, 1, np.nan, 1],# S8 已经是终点了，因此不再需要上下左右到处走了])# 策略 Πself.pi = self._cvt_theta_0_to_pi(self.theta_0)# 将 theta_0 转换为 策略 Π，而 Π 其实就是概率值嘛def _cvt_theta_0_to_pi(self, theta):m, n = theta.shapepi = np.zeros((m, n))for r in range(m):pi[r, :] = theta[r, :] / np.nansum(theta[r, :])return np.nan_to_num(pi)def choose_action(self, state):action = np.random.choice(self.actions, p=self.pi[state, :])return action# MazeAnimation 类封装了可视化展示代码的 API
class MazeAnimation:def __init__(self):# 创建一个新的图形对象，并设置其大小为 5x5 英寸self.fig = plt.figure(figsize=(5, 5))# 获取当前图形对象的轴对象self.ax = plt.gca()# 设置坐标轴的范围self.ax.set_xlim(0, 3)self.ax.set_ylim(0, 3)# 绘制红色的方格边界，表示迷宫的结构plt.plot([2, 3], [1, 1], color='red', linewidth=2)plt.plot([0, 1], [1, 1], color='red', linewidth=2)plt.plot([1, 1], [1, 2], color='red', linewidth=2)plt.plot([1, 2], [2, 2], color='red', linewidth=2)# 在指定位置添加文字标签，表示每个状态（S0-S8）、起点和终点plt.text(0.5, 2.5, 'S0', size=14, ha='center')plt.text(1.5, 2.5, 'S1', size=14, ha='center')plt.text(2.5, 2.5, 'S2', size=14, ha='center')plt.text(0.5, 1.5, 'S3', size=14, ha='center')plt.text(1.5, 1.5, 'S4', size=14, ha='center')plt.text(2.5, 1.5, 'S5', size=14, ha='center')plt.text(0.5, 0.5, 'S6', size=14, ha='center')plt.text(1.5, 0.5, 'S7', size=14, ha='center')plt.text(2.5, 0.5, 'S8', size=14, ha='center')plt.text(0.5, 2.3, 'Start', ha='center')plt.text(2.5, 0.3, 'Goal', ha='center')# 设置坐标轴的显示参数，使得坐标轴不显示plt.tick_params(axis='both', which='both',bottom=False, top=False,right=False, left=False,labelbottom=False, labelleft=False)# 在起点位置绘制一个绿色的圆形表示当前位置self.line, = self.ax.plot([0.5], [2.5], marker='o', color='g', markersize=60)# state_history 是状态历史数组def save_as_mp4_html(self, state_history):def init():self.line.set_data([], [])return (self.line,)def animate(i):state = state_history[i]x = (state % 3) + 0.5y = 2.5 - int(state / 3)self.line.set_data(x, y)anim = animation.FuncAnimation(self.fig, animate, init_func=init, frames=len(state_history), interval=200,repeat=False)anim.save('maze.mp4')with open('maze_animation.html', 'w') as f:f.write(anim.to_jshtml())# -------------------------------测试代码---------------------------------# 创建迷宫环境
env = MazeEnv()
# 重置迷宫环境到初始状态
state = env.reset()
# 创建 agent
agent = Agent()
# 结束标志 done
done = False
# 动作历史
action_history = []
# 状态历史，含一开始位于 S0 的状态
state_history = [state]
# 一个循环就是一个 episode
while not done:action = agent.choose_action(state)state, reward, done, _ = env.step(action)state_history.append(state)action_history.append(action)# 打印状态历史长度
print(len(state_history))
# 可视化展示
# 创建封装好的可视化对象
show = MazeAnimation()
# 调用该对象中的可视化展示函数
show.save_as_mp4_html(state_history)

运行结果和之前一样，不再赘述。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/pingmian/45181.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

C语言有哪些特点？

C语言有哪些特点？

C语言是一种结构化语言，它有着清晰的层次，可按照模块的方式对程序进行编写，十分有利于程序的调试，且c语言的处理和表现能力都非常的强大，依靠非常全面的运算符和多样的数据类型，可以轻易完成各种数据结构的…
阅读更多...
Kotlin MultiPlatform（KMP）

Kotlin MultiPlatform（KMP）

Kotlin MultiPlatform 1.KMP 是什么 Kotlin Multiplatform 是一个工具，它让我们用同一种编程语言（Kotlin）写代码，这些代码可以同时在不同的设备上运行，比如手机、电脑和网页。这样做可以节省时间，因为你不…
阅读更多...
1、项目目录设计

1、项目目录设计

文章目录 前言一、项目目录设计 前言 本项目我们将会完成一个Go项目开发框架，该项目不会包含具体的CRUD业务代码，而是从头搭建一个工作中实用的开发框架。让开发者能够熟悉整个项目的搭建流程，能够独立完成项目从0到1的搭建，而且…
阅读更多...
【RHCE】实验（HTTP，DNS,SELinux，firewalld的运用）

【RHCE】实验（HTTP，DNS,SELinux，firewalld的运用）

一、题目 二、主服务器配置 1.下载HTTP服务，DNS服务 [rootlocalhost ~]# yum install -y httpd bind 2.开启防火墙，放行服务 # 开启防火墙 [rootlocalhost ~]# systemctl start firewalld # 放行服务 [rootlocalhost ~]# firewall-cmd --add-service…
阅读更多...
上班摸鱼吗？一文详解代码生成神器-Velocity

上班摸鱼吗？一文详解代码生成神器-Velocity

引言 “我不是在教你学坏，而是教你如何提高生产效率。” ----------- 牛顿 人类社会能够一直进步发展出现在的文明世界，最大的一个原因就是这个世界上懒人居多，懒人为了偷懒就需要提高生产效率，效率提高节省下来的时间才能创造出艺术、娱乐以及更高效率的科学技术。程序员…
阅读更多...
MySQL DDL

MySQL DDL

数据库 1 创建数据库 CREATE DATABASE 数据库名 CREATE DATABASE IF NOT EXISTS 数据库名;（判断是否存在) CREATE DATABASE 数据库名 CHARACTER SET 字符 2 查看数据库 SHOW DATABASES; 查看某个数据库的信息 SHOW CAEATE DATABASE 数据库名 3 修改数据库 …
阅读更多...
信息学奥赛初赛天天练-44-CSP-J2020基础题-排列组合、乘法原理、捆绑法、隔板法、排除法示例及应用

信息学奥赛初赛天天练-44-CSP-J2020基础题-排列组合、乘法原理、捆绑法、隔板法、排除法示例及应用

PDF文档公众号回复关键字:20240711 2020 CSP-J 选择题 单项选择题（共15题，每题2分，共计30分：每题有且仅有一个正确选项） 10.有5 个小朋友并排站成一列，其中有两个小朋友是双胞胎，如果要求这…
阅读更多...
dev小熊猫，clion设置模版教程

dev小熊猫，clion设置模版教程

首先点击工具 然后进入设置 ，找到代码模版 然后点击c模版，进入之后直接输入模版之后，（还没有结束！！！），先点击应用，然后是确定！！&#…
阅读更多...
【js面试题】深入理解浏览器对象模型（BOM）

【js面试题】深入理解浏览器对象模型（BOM）

面试题：请你说说对bom的理解，常见的bom对象你了解哪些 引言： 浏览器对象模型（BOM）是JavaScript中用于与浏览器窗口及其内容进行交互的一组对象和方法。 BOM的核心是window对象，它代表了浏览器窗口本身&…
阅读更多...
【SQL】DML、DDL、ROLLBACK 、COMMIT详解

【SQL】DML、DDL、ROLLBACK 、COMMIT详解

DML DML（Data Manipulation Language）数据操作语言，是用于对数据库中的数据进行基本操作的一种编程语言。DML是数据库管理系统（DBMS）中的一个重要部分，它允许用户或应用程序对数据库中的数据进行增、删、改…
阅读更多...
探索GitHub上的两个革命性开源项目

探索GitHub上的两个革命性开源项目

在数字世界中，总有一些项目能够以其创新性和实用性脱颖而出，吸引全球开发者的目光。今天，我们将深入探索GitHub上的两个令人惊叹的开源项目：Comic Translate和GPTPDF，它们不仅改变了我们处理信息的方式，还极大地丰富了我们的数字生活体验。 01 漫画爱好者的福音：Comi…
阅读更多...
PostgreSQl 物化视图

PostgreSQl 物化视图

物化视图（Materialized View）是 PostgreSQL 提供的一个扩展功能，它是介于视图和表之间的一种对象。 物化视图和视图的最大区别是它不仅存储定义中的查询语句，而且可以像表一样存储数据。物化视图和表的最大区别是它不支持 INSERT…
阅读更多...
Windows 电脑查看 WiFi 密码的方法都有哪些？

Windows 电脑查看 WiFi 密码的方法都有哪些？

从设置面板中查看 当你使用的是笔记本电脑并且连接 WiFi 之后可以在设置面板中查看 WiFi 密码，首先打开设置界面，然后点击网络和 Internet，找到 WiFi 之后点击进入，然后点击管理已知网络。 然后点击已经连接好的无线网络。 进入之…
阅读更多...
SpringBoot 3.3 【一】手把手讲解-使用Eclipse创建第一个SpringBoot应用程序

SpringBoot 3.3 【一】手把手讲解-使用Eclipse创建第一个SpringBoot应用程序

简单动作，深刻联结。在这技术海洋，我备好舟，等你扬帆。启航吧！ 🌟点击【关注】，解锁定期的技术惊喜，让灵感与知识的源泉不断涌动。 👍一个【点赞】，如同心照不宣的默契&a…
阅读更多...
AI工具，如何通过 GPT-4o 提高工作效率

AI工具，如何通过 GPT-4o 提高工作效率

文章目录 引言一、理解GPT-4o及其功能二、如何利用GPT-4o提高工作效率1. 代码生成与优化2. 自动化测试与调试3. 技术文档撰写与知识管理 三、实际案例与成功应用1. GitHub 协作与问题解决2. 敏捷开发与迭代优化 四、GPT-4o的挑战与应对策略五、未来展望与发展方向六、结论 &…
阅读更多...
保护企业数据资产的策略与实践：数据安全治理技术之实战篇！

保护企业数据资产的策略与实践：数据安全治理技术之实战篇！

在上篇文章中，我们深入讨论了数据安全治理技术的前期准备工作，包括从建立数据安全运维体系、敏感数据识别、数据的分类与分级到身份认等方面的详细规划和设计。这些准备工作是实现数据安全治理的基础，它们为企业建立起一套系统化、标准化的数…
阅读更多...
二进制补码计算

二进制补码计算

基本知识 原码（Sign and Magnitude）:原码是一种最简单的表示法，使用符号位和数值位来表示整数。 符号位：最高位是符号位，0表示正数，1表示负数。 数值位：剩下的位表示数值的大小。反码&#xf…
阅读更多...
windows11下vscode配置C/C++（过程记录）

windows11下vscode配置C/C++（过程记录）

一、概述 一直想在Windows11系统下使用vscode运行C/C程序，如果使用visual studio的话需要占用大量内存，且每次启动较慢。vscode则可以省去大多数烦恼。 二、具体配置过程 （一）参考博客 主要参考两篇博客，分别如下所示…
阅读更多...
kubernetes集群如何更改所有节点IP

kubernetes集群如何更改所有节点IP

kubernetes集群如何更改所有节点IP 情景描述更换IP前的准备工作更换IP后的工作--master更换IP后的工作--node节点重新部署之前那些服务 情景描述 我有三台服务器，想要将其组成了一个kubernetes集群，在部署之前，我就对其进行了固定IP的操作&a…
阅读更多...
ARM功耗管理之多核处理器启动

ARM功耗管理之多核处理器启动

安全之安全(security)博客目录导读 思考：SecureBoot？多核处理器启动流程？PSCI启动方式？ 一般嵌入式系统使用的都是对称多处理器（Symmetric Multi-Processor, SMP）系统，包含了多个cpu, 这几个cp…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023