wangssd

摘要： ubuntu安裝： https://www.oryoy.com/news/ubuntu-xi-tong-xia-qing-song-bu-shu-influxdb-ru-men-jiao-cheng-yu-shi-zhan-an-li.html # 安裝influxdb 時序數據庫 sudo apt 閱讀全文

摘要： 計算自注意力時，Q（查詢）向量在每次解碼步驟中都是全新的，而 K（鍵）和 V（值）向量大部分是重復的，緩存 K 和 V 可以避免大量的重復計算。 下面通過一個具體的例子來詳細解釋為什么。 自注意力機制 在解碼（生成）過程中，對于每一個新生成的 token，都有： Q (Query)：來自當前新生成的 閱讀全文

摘要： vLLM 通過命令行工具 python -m vllm.entrypoints.api_server 啟動 OpenAI 兼容的 API 服務器，其參數涵蓋了模型加載、推理、調度和服務的各個方面。 啟動命令基本結構 bash python -m vllm.entrypoints.api_server 閱讀全文

摘要： 1. 離散動作空間的策略網絡 在離散空間中，動作是可數的，例如：{左， 右， 上， 下} 或 {加速， 剎車}。 網絡架構與處理方式 輸出層：Softmax 策略網絡的最后一層是一個 Softmax 層。 假設有 N 個可選動作，網絡會輸出一個長度為 N 的向量。 Softmax 函數確保這個向量的 閱讀全文

摘要： 強化學習的標準框架是 馬爾可夫決策過程（MDP），它由五個基本元素構成(不可或缺的部分)：狀態（S）、動作（A）、狀態轉移（P）、獎勵（R）和折扣因子（γ）。 狀態（S）：描述了環境是什么樣子。 動作（A）：智能體可以做什么。 狀態轉移（P）：環境如何響應動作。 獎勵（R）：定義了“好”與“壞”，是 閱讀全文

摘要： Gym庫(https://gym.openai.com) 是OpenAI推出的強化學習實驗環境庫。它用Python語言實現了離散之間智能體-環境接口中的環境部分。每個環境就代表著一類強化學習問題，用戶通過設計和訓練自己的智能體來解決這些強化學習問題。OpenAI 已經將 Gym 的維護權移交給了 F 閱讀全文

摘要： 多智能體強化學習算法分為 中心式和分散式 中心式的思想是考慮一個合作式的環境，直接將單智能體算法擴展，讓其直接學習一個聯合動作的輸出，但是并不好給出單個智能體該如何進行決策。分散式是每個智能體獨立學習自己的獎勵函數，對于每個智能體來說，其它智能體就是環境的一部分，因此往往需要去考慮環境的非平穩態，并 閱讀全文

摘要： 馬爾可夫決策過程（Markov Decision Process, MDP）是強化學*問題的數學框架。MDP通過五元組 (S, A, P, R, γ) 來描述，其中： S： 狀態空間，表示所有可能狀態的集合。 A： 動作空間，表示智能體可以執行的所有動作的集合。 P： 狀態轉移概率矩陣，P(s'|s 閱讀全文

摘要： 策略網絡。它的作用是接收單個智能體的局部觀測，并輸出一個在當前狀態下應該采取各種動作的概率分布。智能體根據這個分布進行采樣，得到最終執行的動作。 輸入： 智能體 *i* 在時間步 *t* 的局部觀測。 輸出： 一個動作概率分布。對于離散動作空間，輸出是一個softmax概率向量；對于連續動作空間，通 閱讀全文

摘要： 深度學習是一種技術方法，大模型是這種方法的產物和應用，而強化學習是一種解決問題的框架（方法論和控制系統），它可以利用深度學習和大模型作為其強大的工具。 深度學習： 是一個復雜的、多層的“神經網絡”，能夠從海量數據（比如數百萬張游戲畫面）中學習并識別出復雜的模式（比如什么是“敵人”，什么是“獎勵”）。 閱讀全文