蘑菇书（EasyRL）学习笔记（3）

q1、学习与规划

        学习（learning）和规划（planning）是序列决策的两个基本问题。如下图所示，在强化学习中，环境初始时是未知的，智能体不知道环境如何工作，它通过不断地与环境交互，逐渐改进策略。

学习

        在规划中，环境是已知的，智能体已经掌握了环境的所有规则和运行机制。它可以在不与环境交互的情况下，通过计算预先模拟出一个完美的模型。也就是说，智能体只需要知道当前的状态，就可以开始推演未来的变化，找到解决问题的最佳方案。 

        例如，如下图所示的游戏中，我们明确知道规则。如果选择左边，环境会发生什么变化是完全确定的。因此，智能体可以通过这些已知规则在脑海中“演练”整个决策过程，而无需实际操作或试验。

        这种方法是强化学习的一种常见思路。首先，智能体需要学习环境的运行方式，构建一个“环境模型”。然后，它利用这个模型来进行规划，模拟出一系列动作，从而找到实现目标的最优路径。简单来说，就是“先弄清规则，再靠模拟找到最优解”。

 规划

2、探索和利用

2.1、 探索和利用的含义

  • 探索：尝试不同的动作，从而了解哪些动作可能带来更高的奖励。探索的过程通常是通过“试错”来完成的。

        比如，你想找一家好餐馆，就需要去尝试新的餐馆。

  • 利用：选择已经知道可以带来高奖励的动作，而不去尝试新的动作。

        比如，你去了一家自己喜欢的餐馆，因为你知道它的菜很好吃。

2.2、 探索与利用的权衡

  • 探索帮助你发现可能更优的策略，但短期内可能收益较低。

  • 利用可以让你直接获得较高的即时奖励，但可能错过更好的策略。

举个例子：

选择餐馆：探索是尝试新的餐馆，可能会找到一家更好的，也可能踩雷；利用是直接去熟悉的餐馆，确保好吃但少了惊喜。

玩游戏：探索是尝试新策略，可能学到更强的招式；利用是重复使用熟悉的策略，但可能无法应对某些对手。

2.3、 强化学习的探索与利用问题

        强化学习中，奖励往往在多步动作之后才能观察到。为简化讨论，我们先看单步奖励的情形：
        假设有多个动作（如选择不同的餐馆），目标是通过尝试找到能带来最大奖励的动作。

2.4、 K-臂赌博机模型

如下图所示，K-臂赌博机是一种理论模型，用来研究探索与利用的平衡：

  • 有 K 个摇臂，每个摇臂对应一个奖励概率，但你并不知道哪个摇臂奖励最高。

  • 目标是通过有限的尝试次数，尽可能获得更多奖励。

在这种模型中：

  • 纯探索策略：轮流尝试每个摇臂，估计每个摇臂的奖励概率。

    • 优点：能很好地估计摇臂的奖励。

    • 缺点：浪费了很多尝试机会，无法充分利用奖励更高的摇臂。

  • 纯利用策略：总是选择当前奖励最高的摇臂。

    • 优点：能快速获得高奖励。

    • 缺点：可能错过真正最优的摇臂。

2.5、 探索与利用的矛盾

  • 探索需要花时间去“试错”，可能牺牲短期奖励。

  • 利用则专注于当前的最优选择，可能错失长期收益。

  • 在有限的尝试次数中，要想获得最大累计奖励，必须在探索和利用之间找到一个折中。

总结：探索是为了了解环境，利用是为了获得奖励。在强化学习中，如何平衡探索与利用是一个关键问题。

 3、强化学习实验

                强化学习是一个结合理论和实践的机器学习分支。要想深入学习强化学习，既需要掌握其算法背后的数学原理，也需要通过实践去实现和验证这些算法的效果。

3.1、 理论与实践相结合

  • 理论部分：理解强化学习中涉及的数学模型（如马尔可夫决策过程、动态规划）和关键算法（如 Q-learning、深度 Q 网络）。
  • 实践部分：通过实验来验证算法是否有效，这也是强化学习学习过程中的重要环节。

3.2、 实践中的工具与实现

        强化学习实践可以通过编程来实现，目前已有许多成熟的深度学习框架和工具可以辅助实现算法：

  • 常用框架：

    • PyTorch：灵活、高效，适合快速迭代开发。

    • TensorFlow：功能强大，支持分布式训练，适合大型项目。

    • Keras：易用性高，适合入门。

  • 优势：这些工具封装了底层的数学运算和优化过程，开发者可以专注于算法的实现，而不需要从零开始“造轮子”。

3.3、 如何高效学习和实践

  • 选择框架：熟练掌握两三种框架即可实现大部分强化学习功能，无需全部精通。

  • 动手实践：将强化学习算法应用于不同实验环境，如 OpenAI Gym 提供的标准强化学习环境，进行算法调试和效果评估。

  • 理论验证：在实验中观察算法行为是否符合理论预期，同时改进算法以提升效果。

通过理论与实践的结合，可以更好地理解强化学习的本质，并能灵活应用到实际问题中。

3.4、Gym 的基本介绍

  • Gym 是什么：一个环境仿真库，用于测试和开发强化学习算法。

        提供多种环境，例如 Atari 游戏和机器人控制等。

        包括离散控制（如向上、向下动作）和连续控制（如机器人行走的角度调整）。

  • 版本问题：Gym 0.26.0 及之后的版本可能与旧代码不兼容，因此建议安装 0.25.2 版本：

pip install gym==0.25.2

  • 图形界面依赖：需要安装 pygame 库来显示图形界面：

pip install pygame
3.4.1、Gym 的核心功能

        以下是 Gym 的几个关键方法和属性：

  • 初始化环境：

    import gym env = gym.make('CartPole-v0') # 创建一个环境 env.reset() # 重置环境，初始化状态

  • 随机选择动作：

    action = env.action_space.sample() # 在动作空间中随机选择一个动作

  • 执行动作：

    observation, reward, done, info = env.step(action)
  1. observation：观测到的状态（如屏幕像素值或物体位置）。
  2. reward：该动作的即时奖励。
  3. done：布尔值，表示游戏是否结束。
  4. info：额外调试信息（正式评测时不能使用）。

  • 显示界面

    env.render() # 显示当前环境的图形界面

  • 关闭环境：

    env.close() # 释放资源
3.4.2、 完整代码示例

以 CartPole-v0 环境为例：

import gym

env = gym.make('CartPole-v0')  # 创建环境
env.reset()  # 重置环境

for _ in range(1000):  # 执行 1000 步
    env.render()  # 显示图形界面
    action = env.action_space.sample()  # 随机选择一个动作
    observation, reward, done, info = env.step(action)  # 执行动作
    print(observation)  # 输出观测到的状态

env.close()  # 关闭环境

输出示例：

Step 1: Observation = [ 0.005  0.025 -0.035  0.015]
Step 2: Observation = [ 0.005  0.045 -0.034  0.018]
...
Episode finished after 245 steps
  • 每一行是一个观测状态，CartPole 环境的状态是一个四维向量。

 

3.4.3、 环境的注册和查看

Gym 提供了许多预定义的环境，可以用以下代码查看所有已注册的环境：

# 输出可用环境 ID
from gym import envs
env_specs = envs.registry.all()
env_ids = [env_spec.id for env_spec in env_specs]
print("Available Gym Environments:")
print(env_ids)

输出示例： 

Available Gym Environments:
['CartPole-v1', 'MountainCar-v0', 'Acrobot-v1', ...]
3.4.4、环境的观测空间和动作空间

  • 观测空间：描述环境的状态信息，例如屏幕像素或物体位置。

        可以是离散的（有限取值）或连续的（无限取值）。

  • 动作空间：描述智能体可以采取的动作，例如左右移动。

        通过 env.action_space 查看动作空间类型。

        通过 env.action_space.sample() 从动作空间中随机取样。

3.4.5、 总结

  • Gym 提供了一个标准化的接口，使得我们可以快速进行强化学习算法的实验。

  • 通过 env.step() 方法可以模拟强化学习的基本流程，即 S→A→R→S′。

  • 学习如何使用 Gym 的各种环境，是强化学习实践的重要基础。

3.5、小车上山任务 (MountainCar-v0)

3.5.1、任务介绍

  • 任务目标：让小车利用左右移动的加速冲上山坡。

  • 观测空间：描述环境状态的值范围和维度。

    • 是一个长度为 2 的数组，表示小车的位置和速度。

    • 类型为 Box，即连续值。

  • 动作空间：智能体可以执行的动作集合。

    • 动作有 3 种，分别为向左加速、保持不动和向右加速。

    • 类型为 Discrete，即离散值。

3.5.2、代码实现与可视化
1. 环境初始化与空间信息打印
import gym
import numpy as np

# 创建 MountainCar 环境
env = gym.make('MountainCar-v0')

# 输出环境的基本信息
print(f"观测空间 = {env.observation_space}")  # Box 类型
print(f"动作空间 = {env.action_space}")      # Discrete 类型
print(f"观测范围 = {env.observation_space.low} ~ {env.observation_space.high}")
print(f"动作数 = {env.action_space.n}")       # 动作取值范围 {0,1,2}
2. 智能体定义 
class SimpleAgent:
    def __init__(self, env):
        pass

    def decide(self, observation):
        """基于观测值决策动作"""
        position, velocity = observation

        # 决策规则（利用经验公式）
        lb = min(-0.09 * (position + 0.25) ** 2 + 0.03,
                 0.3 * (position + 0.9) ** 4 - 0.008)
        ub = -0.07 * (position + 0.38) ** 2 + 0.07

        if lb < velocity < ub:
            action = 2  # 向右加速
        else:
            action = 0  # 向左加速
        return action

    def learn(self, *args):
        """学习功能（本例中未实现）"""
        pass
 3、智能体与环境交互
def play(env, agent, render=False, train=False):
    """让智能体与环境交互一个回合"""
    episode_reward = 0  # 初始化回合奖励
    observation = env.reset()[0]  # 重置环境（新 Gym 版本返回元组）

    # 保存轨迹用于可视化
    positions = [observation[0]]

    while True:
        if render:  # 是否显示图形界面
            env.render()

        # 智能体决策动作
        action = agent.decide(observation)

        # 执行动作，获取环境反馈
        next_observation, reward, done, truncated, _ = env.step(action)
        episode_reward += reward
        positions.append(next_observation[0])

        # 如果训练模式为 True，调用学习方法
        if train:
            agent.learn(observation, action, reward, done)

        # 回合结束条件
        if done or truncated:
            break

        observation = next_observation

    return episode_reward, positions
4. 环境交互与轨迹可视化
import matplotlib.pyplot as plt

# 创建智能体
agent = SimpleAgent(env)

# 设置随机种子
env.seed(3)

# 智能体与环境交互一个回合，并显示图形界面
episode_reward, positions = play(env, agent, render=True)
print(f"回合奖励 = {episode_reward}")

# 可视化小车位置轨迹
plt.figure(figsize=(10, 5))
plt.plot(range(len(positions)), positions, label="Car Position")
plt.axhline(env.unwrapped.goal_position, color='r', linestyle='--', label="Goal Position")
plt.xlabel("Time Steps")
plt.ylabel("Position")
plt.title("MountainCar Trajectory")
plt.legend()
plt.grid()
plt.show()

# 关闭环境
env.close()
5. 性能评估
# 测试智能体的性能，计算 100 个回合的平均奖励
episode_rewards = [play(env, agent)[0] for _ in range(100)]
print(f"平均回合奖励 = {np.mean(episode_rewards)}")
输出示例

  1. 环境信息：

    观测空间 = Box([-1.2  -0.07], [0.6  0.07], (2,), float32)
动作空间 = Discrete(3)
观测范围 = [-1.2  -0.07] ~ [0.6  0.07]
动作数 = 3

  2. 回合奖励：

    回合奖励 = -105.0

  3. 轨迹图：

    图表显示了小车在回合中的水平位置变化，红色虚线表示目标位置。

  1. 平均回合奖励：

    平均回合奖励 = -106.63

总结

  1. 环境操作方法：

    • env.reset()：重置环境。
    • env.step(action)：执行动作，获取反馈。
    • env.render()：显示图形界面。
    • env.close()：关闭环境。

  2. 性能评估：

    • 学术界一般使用连续 100 回合的平均回合奖励作为性能指标。
    • 本例中，智能体在 MountainCar-v0 的表现接近任务解决标准（-110）。

4、关键词

4.1、基本概念

  • 强化学习（Reinforcement Learning, RL）：
    智能体与复杂且不确定的环境交互，尝试使获得的奖励最大化的算法。

  • 动作（Action）：
    智能体基于当前状态输出给环境的行为。

  • 状态（State）：
    智能体从环境中获取的信息，用于感知当前环境。

  • 奖励（Reward）：
    环境给予智能体的反馈信号，指示某个动作的价值以及奖励大小。

  • 探索（Exploration）：
    尝试新的动作，可能获取更高奖励，也可能失败。

  • 利用（Exploitation）：
    重复执行已知能够获得最大奖励的动作。

4.2、扩展概念

  • 深度强化学习（Deep Reinforcement Learning, DRL）：
    使用神经网络拟合价值函数或策略网络，端到端学习方法，无需手动设计特征。

  • 全观测和部分观测：

    1. 全部可观测（Full Observability）： 智能体的状态等价于环境状态。
    2. 完全可观测（Fully Observed）： 智能体可观察到环境的所有状态。
    3. 部分可观测（Partially Observed）： 智能体无法观察到环境的全部状态。

  • 部分可观测马尔可夫决策过程（Partially Observable Markov Decision Process, POMDP）：
    马尔可夫决策过程的扩展，假设智能体仅能获得部分观测值，但仍满足马尔可夫性质。

4.3、动作空间

  • 动作空间（Action Space）：
    环境中智能体可采取的动作集合。
    1. 离散动作空间（Discrete Action Space）： 动作数量有限。
    2. 连续动作空间（Continuous Action Space）： 动作数量无限或连续变化。

4.4、算法分类

  • 基于策略的（Policy-based）：
    强化学习直接优化策略，制定最优动作以获得最大奖励。

  • 基于价值的（Value-based）：
    通过维护价值表或价值函数，选择能使价值最大化的动作，而不显式制定策略。

4.5、模型结构

  • 有模型（Model-based）：
    学习状态转移模型，用于决策。

  • 免模型（Model-free）：
    不估计状态转移，直接学习价值函数或策略网络来进行决策。

5、习题

1-1 强化学习的基本结构是什么？
答：强化学习的基本结构包括智能体、环境、状态、动作和奖励。智能体通过与环境交互来学习如何做决策，从而最大化奖励。
例子： 例如，在玩棋类游戏时，智能体（棋手）在每个状态（棋盘布局）下选择一个动作（下棋），并根据对手的反应获得奖励（赢得一局或输掉一局）。

1-2 强化学习相对于监督学习为什么训练过程会更加困难？
答：强化学习的训练过程依赖于与环境的交互，奖励可能延迟且不确定，因此智能体需要通过不断尝试来探索最佳策略。而监督学习使用的是已有的标注数据，训练过程较为直接。
例子： 在强化学习中，智能体可能在多次尝试后才知道是否采取了好的动作，而监督学习则可以通过现成的标签直接进行训练。

1-3 强化学习的基本特征有哪些？
答：强化学习的基本特征包括：探索与利用的平衡、状态与动作的反馈、奖励的延迟性和不确定性、长期决策。
例子： 一个机器人学习如何在迷宫中找到出口时，它需要在“尝试新的路线”与“重复成功的路线”之间做出选择，这就是探索与利用的平衡。

1-4 近几年强化学习发展迅速的原因有哪些？
答：强化学习发展迅速的原因包括计算能力的提升、大规模数据的获取、深度学习的结合以及成功的应用实例（如AlphaGo）。
例子： AlphaGo的成功展示了强化学习在复杂决策中的应用，深度学习技术使得强化学习在大规模游戏和实际应用中得以实现。

1-5 状态和观测有什么关系？
答：状态是环境的真实描述，观测是智能体基于当前状态获取的部分信息。
例子： 在自动驾驶中，状态可能包括车辆的速度、位置和周围环境，而观测则是智能体通过摄像头或传感器得到的部分信息，比如看到的路标或行人。

1-6 一个强化学习智能体由什么组成？
答：一个强化学习智能体由感知器（获取状态或观测）、决策器（选择动作）、执行器（执行动作）和学习机制（调整策略）组成。
例子： 一个玩游戏的AI智能体，感知器是它看到的屏幕，决策器是它的算法，用来选择下一步的动作，执行器是它在屏幕上操作的动作，而学习机制则是它不断调整策略的部分。

1-7 根据强化学习智能体的不同，我们可以将其分为哪几类？
答：强化学习智能体可以分为基于策略的、基于价值的、以及基于模型的智能体。
例子： 基于策略的智能体直接学习如何选择动作（如强化学习中的策略梯度方法）；基于价值的智能体通过评估每个状态的价值来做决策（如Q-learning）；基于模型的智能体学习环境的模型来进行规划（如深度强化学习中的模型预测控制）。

1-8 基于策略迭代和基于价值迭代的强化学习方法有什么区别？
答：基于策略迭代通过不断优化策略来求解最优策略，而基于价值迭代通过更新每个状态的价值来求解最优策略。
例子： 在基于策略迭代中，智能体先制定一个策略，然后不断改善它；在基于价值迭代中，智能体先估计每个状态的价值，然后根据这些估值来选择动作。

1-9 有模型学习和免模型学习有什么区别？
答：有模型学习通过学习环境的转移模型来做决策，而免模型学习直接通过学习价值函数或策略来做决策，不需要估计环境转移。
例子： 有模型学习就像你预先知道天气变化规律，可以计划未来几天的行动；免模型学习则是你每次都需要根据当前天气直接做出决策，而不考虑未来的天气。

1-10 如何通俗理解强化学习？
答：强化学习是通过智能体与环境的互动，尝试不同的动作来学习如何获得最大奖励。它类似于小孩通过玩游戏、做实验不断调整自己的策略，最终获得更好的结果。
例子： 想象一个小孩在玩一个新游戏，开始时不清楚怎么玩，但随着尝试和获得反馈，他会逐步学会最有效的游戏策略。

6、 面试题

1-1 请用一句话谈一下你对于强化学习的认识？
答：强化学习是让智能体通过与环境交互、试错的方式，学习如何最大化长期奖励。
例子： 就像是小孩学会骑自行车，经过多次摔倒和尝试，逐渐掌握了骑行技巧。

1-2 强化学习、监督学习和无监督学习有什么区别？
答：强化学习通过与环境交互学习最优策略，监督学习通过标签数据学习映射关系，无监督学习通过数据中的潜在模式进行学习。
例子： 监督学习就像是老师给出题目和答案，强化学习像是小孩自己通过试错找到答案，而无监督学习像是小孩通过观察现象来自己总结规律。

1-3 强化学习的使用场景有哪些？
答：强化学习常用于需要决策和长期规划的场景，如游戏（如AlphaGo）、机器人控制、自动驾驶、推荐系统等。
例子： 在自动驾驶中，智能体（车）需要根据实时交通情况决定行驶路径，这正是强化学习的应用场景。

1-4 强化学习中所谓的损失函数与深度学习中的损失函数有什么区别？
答：强化学习中的损失函数与奖励信号相关，通过优化策略来最大化长期奖励；而深度学习中的损失函数通常是优化预测误差。
例子： 在深度学习中，我们优化的是预测误差；而在强化学习中，我们优化的是智能体的策略，使得它能够获得更多的奖励。

1-5 有模型和免模型有什么区别？
答：有模型方法通过学习环境的转移模型来预测未来状态，免模型方法则直接通过学习价值函数或策略来做决策，不依赖于环境模型。
例子： 有模型学习就像拥有一张环境的地图，可以提前规划路线；免模型学习则是每次都根据当前的情形做决定，不依赖地图。

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：/a/928456.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

攻防世界-fileclude-文件包含

攻防世界-fileclude-文件包含

赛前回顾 1.题目打开后是文件包含的代码&#xff0c;如下 函数作用 highlight_file(__FILE__) //显示代码到网页 isset //检查变量是否存在并且非null(空) !empty //php内置函数&#xff0c;检查变量是否为空或未设置&#xff0c;正常变量为空会触发&#xff0c;但是有个…
阅读更多...
Spark常问面试题---项目总结

Spark常问面试题---项目总结

一、数据清洗&#xff0c;你都清洗什么&#xff1f;或者说 ETL 你是怎么做的&#xff1f; 我在这个项目主要清洗的式日志数据&#xff0c;日志数据传过来的json格式 去除掉无用的字段&#xff0c;过滤掉json格式不正确的脏数据 过滤清洗掉日志中缺少关键字段的数据&#xff…
阅读更多...
Redis 之持久化

Redis 之持久化

目录 介绍 RDB RDB生成方式 自动触发 手动触发 AOF&#xff08;append-only file&#xff09; Redis 4.0 混合持久化 Redis主从工作原理 总结 介绍 Redis提供了两个持久化数据的能力&#xff0c;RDB Snapshot 和 AOF&#xff08;Append Only FIle&#xff09;…
阅读更多...
Linux内核4.14版本——ccf时钟子系统（3）——ccf一些核心结构体

Linux内核4.14版本——ccf时钟子系统（3）——ccf一些核心结构体

目录 1. struct clk_hw 2. struct clk_ops 3. struct clk_core 4. struct clk_notifier 5. struct clk 6. struct clk_gate 7. struct clk_divider 8. struct clk_mux 9. struct clk_fixed_factor 10. struct clk_fractional_divider 11. struct clk_multiplier 12…
阅读更多...
【JavaEE初阶 — 网络编程】实现基于TCP协议的Echo服务

【JavaEE初阶 — 网络编程】实现基于TCP协议的Echo服务

TCP流套接字编程 1. TCP &#xff06; UDP 的区别 TCP 的核心特点是面向字节流&#xff0c;读写数据的基本单位是字节 byte 2 API介绍 2.1 ServerSocket 定义 ServerSocket 是创建 TCP 服务端 Socket 的API。 构造方法 方法签名 方法说明 ServerS…
阅读更多...
开发者如何使用GCC提升开发效率GUI操作

开发者如何使用GCC提升开发效率GUI操作

看此篇前请先阅读https://blog.csdn.net/qq_20330595/article/details/144139026?spm1001.2014.3001.5502 先上效果图 找到对应的环境版本 配置环境 目录结构 CtrlShiftP c_cpp_properties.json {"configurations": [{"name": "Win32","i…
阅读更多...
高速定向广播声光预警系统赋能高速安全管控

高速定向广播声光预警系统赋能高速安全管控

近年来&#xff0c;高速重大交通事故屡见不鲜&#xff0c;安全管控一直是高速运营的重中之重。如何利用现代化技术和信息化手段&#xff0c;创新、智能、高效的压降交通事故的发生概率&#xff0c;优化交通安全管控质量&#xff0c;是近年来交管部门的主要工作&#xff0c;也是…
阅读更多...
BiGRU：双向门控循环单元在序列处理中的深度探索

BiGRU：双向门控循环单元在序列处理中的深度探索

一、引言 在当今的人工智能领域&#xff0c;序列数据的处理是一个极为重要的任务&#xff0c;涵盖了自然语言处理、语音识别、时间序列分析等多个关键领域。循环神经网络&#xff08;RNN&#xff09;及其衍生结构在处理序列数据方面发挥了重要作用。然而&#xff0c;传统的 RN…
阅读更多...
shell编程7，bash解释器的 for循环+while循环

shell编程7，bash解释器的 for循环+while循环

声明&#xff01; 学习视频来自B站up主 泷羽sec 有兴趣的师傅可以关注一下&#xff0c;如涉及侵权马上删除文章&#xff0c;笔记只是方便各位师傅的学习和探讨&#xff0c;文章所提到的网站以及内容&#xff0c;只做学习交流&#xff0c;其他均与本人以及泷羽sec团队无关&#…
阅读更多...
AI开发：生成式对抗网络入门 模型训练和图像生成 -Python 机器学习

AI开发：生成式对抗网络入门 模型训练和图像生成 -Python 机器学习

阶段1&#xff1a;GAN是个啥&#xff1f; 生成式对抗网络&#xff08;Generative Adversarial Networks, GAN&#xff09;&#xff0c;名字听着就有点“对抗”的意思&#xff0c;没错&#xff01;它其实是两个神经网络互相斗智斗勇的游戏&#xff1a; 生成器&#xff08;Gene…
阅读更多...
HarmonyOS开发中，如何高效定位并分析内存泄露相关问题

HarmonyOS开发中，如何高效定位并分析内存泄露相关问题

HarmonyOS开发中&#xff0c;如何高效定位并分析内存泄露相关问题 (1)Allocation的应用调试方式Memory泳道Native Allocation泳道 (2)Snapshot(3)ASan的应用使用约束配置参数使能ASan方式一方式二 启用ASanASan检测异常码 (4)HWASan的应用功能介绍约束条件使能HWASan方式一方式…
阅读更多...
【Python】Selenium模拟在输入框里，一个字一个字地输入文字

【Python】Selenium模拟在输入框里，一个字一个字地输入文字

我们平常在使用Selenium模拟键盘输入内容&#xff0c;常用的是用send_keys来在输入框上输入字&#xff1a; 基本的输入方式&#xff1a; input_element driver.find_element(By.ID, searchBox) input_element.send_keys("我也爱你") #给骚骚的自己发个骚话不过这种…
阅读更多...
泷羽sec学习打卡-shell命令6

泷羽sec学习打卡-shell命令6

声明 学习视频来自B站UP主 泷羽sec,如涉及侵权马上删除文章 笔记的只是方便各位师傅学习知识,以下网站只涉及学习内容,其他的都 与本人无关,切莫逾越法律红线,否则后果自负 关于shell的那些事儿-shell6 if条件判断for循环-1for循环-2实践是检验真理的唯一标准 if条件判断 创建…
阅读更多...
【ArkTS】使用AVRecorder录制音频 --内附录音机开发详细代码

【ArkTS】使用AVRecorder录制音频 --内附录音机开发详细代码

系列文章目录 【ArkTS】关于ForEach的第三个参数键值 【ArkTS】“一篇带你读懂ForEach和LazyForEach” 【小白拓展】 【ArkTS】“一篇带你掌握TaskPool与Worker两种多线程并发方案” 【ArkTS】 一篇带你掌握“语音转文字技术” --内附详细代码 【ArkTS】技能提高–“用户授权”…
阅读更多...
数据分析案例-笔记本电脑价格数据可视化分析

数据分析案例-笔记本电脑价格数据可视化分析

&#x1f935;‍♂️ 个人主页&#xff1a;艾派森的个人主页 ✍&#x1f3fb;作者简介&#xff1a;Python学习者 &#x1f40b; 希望大家多多支持&#xff0c;我们一起进步&#xff01;&#x1f604; 如果文章对你有帮助的话&#xff0c; 欢迎评论 &#x1f4ac;点赞&#x1f4…
阅读更多...
系统监控——分布式链路追踪系统

系统监控——分布式链路追踪系统

摘要 本文深入探讨了分布式链路追踪系统的必要性与实施细节。随着软件架构的复杂化&#xff0c;传统的日志分析方法已不足以应对问题定位的需求。文章首先解释了链路追踪的基本概念&#xff0c;如Trace和Span&#xff0c;并讨论了其基本原理。接着&#xff0c;文章介绍了SkyWa…
阅读更多...
游戏引擎学习第25天

游戏引擎学习第25天

Git: https://gitee.com/mrxiao_com/2d_game 今天的计划 总结和复述&#xff1a; 这段时间的工作已经接近尾声&#xff0c;虽然每次编程的时间只有一个小时&#xff0c;但每一天的进展都带来不少收获。尽管看起来似乎花费了很多时间&#xff0c;实际上这些日积月累的时间并未…
阅读更多...
GaussDB TPOPS 搭建流程记录

GaussDB TPOPS 搭建流程记录

目录 前言 环境准备 安装前准备 安装TPOPS 总结 前言 由于工作需要&#xff0c;准备将现有Oracle数据切换至GaussDB数据库。在这里记录一下安装GaussDB数据库过程踩的坑。 首先&#xff0c;我装的是线下版本&#xff0c;需要先装一个GaussDB轻量化管理平台&#xff08;…
阅读更多...
Web网页设计作业成品源码分享（持续更新）

Web网页设计作业成品源码分享（持续更新）

&#x1f389;Web前端大作业专栏推荐 &#x1f4da;Web前端期末大作业源码分享 ✍️html网页设计、web前后端网站制作、大学生网页设计作业、个人网站制作、jQuery网站设计、uniapp小程序、vue网站设计、node.js网站设计、网页成品模板、期末大作业&#xff0c;各种设计应有尽有…
阅读更多...
facebook欧洲户开户条件有哪些又有何优势？

facebook欧洲户开户条件有哪些又有何优势？

在当今数字营销时代&#xff0c;Facebook广告已成为企业推广产品和服务的重要渠道。而为了更好地利用这一平台&#xff0c;广告主们需要理解不同类型的Facebook广告账户。Facebook广告账户根据其属性可分为多种类型&#xff0c;包括个人广告账户、企业管理&#xff08;BM&#…
阅读更多...
最新文章

Copyright @ 2022~2023