An Exploration of Exploration：测量词法选择的能力，以找到通往最优性的模糊路径 概述 该存储库包含与2021 GPTP 贡献“探索探索：测量词法选择找到模糊路径的能力”相关的源代码和分析。 存储库指南： 包含用于自动化补充材料构建的 GitHub 操作工作流。 包含我们的探索性实验和最终实验（如补充材料和出版物中所述）的配置文件、hpcc 提交脚本和分析脚本。 包含与这项工作相关的杂项文档。 包含探索诊断和我们的实验的实现。 抽象的 去做 作者

frontier_exploration ROS节点和Costmap 2D插件层用于前沿探索 见

ExploratoryDataProject1 说明该作业使用来自UC Irvine机器学习存储库的数据，该存储库是机器学习数据集的流行存储库。 特别是，我们将使用我在课程网站上提供的“个人家庭用电量数据集”：数据集：电力消耗[20Mb]说明：测量一个家庭中一个家庭的电力消耗的方法-在近4年内的分钟采样率。 提供不同的电量和一些子计量值。 数据集中9个变量的以下描述来自UCI网站：日期：以dd / mm / yyyy格式表示的时间时间：以hh：mm：ss格式表示的时间Global_active_power：家庭全球分钟平均有功功率（以千瓦为单位） ）Global_reactive_power：家庭全球平均每分钟平均无功功率（以千瓦为单位）电压：每分钟平均平均电压（以伏特为单位）Global_intensity：家庭全球每分钟的平均平均电流强度（以安培为单位）Sub_metering_1：

后视体验重播（HER） 这是的pytorch实现。 致谢： 要求 python = 3.5.2 openai-gym = 0.12.5（支持mujoco200，但您需要使用Gym> = 0.12.5，它在以前的版本中有一个错误。） mujoco-py = 1.50.1.56（ 请使用此版本，如果您使用mujoco200，则可能在FetchSlide-v1中失败） pytorch = 1.0.0（如果使用pytorch-0.4.1，则可能会出现数据类型错误。稍后我将对其进行修复。 ） mpi4py 待办事项清单 支持GPU加速-尽管我添加了GPU支持，但是如果您没有强大的计算机，我仍然不建议您使用。 为每个MPI添加多个环境。 添加FetchSlide-v1的图和演示。 指令运行代码 如果要使用GPU，只需添加--cuda标志（不推荐，最好使用CPU） 。 训练FetchR

matlab说话代码反射法用于地震勘探 用于无源地震勘探干涉测量的Matlab代码 目录中的文件此目录中有四个matlab函数，它们是：mwigb：显示地震数据readsac：从sac格式将数据读取为二进制getsacdata：获取sac数据xg：程序的入口，以获取从被动地震数据中收集虚拟炮弹。 xg简介1）.xg是代码的主要入口，通常来说，被动数据按数据保存，虚拟快照集由一个数据数据形成并保存到磁盘，如果您愿意的话。保存所有被动数据（例如10天）后，您应该添加一个循环。 2）。 堆叠所有xg形成的镜头收集，您将得到最终结果。 测试数据太大，无法上传，如果您有兴趣，请与我们联系。

3D Exploration 1.833的序列号，文件是个文本文件。用UltraEdit之类的工具打开，将文本文件中的'Enterprise License:'和'Note: no linebreaks in this serial number'之间的那段全部copy到3D_Exploration 1.833注册向导对话框中，然后点击注册，最后重启软件就可以了！ 一个可以观看3D绘图软件制作的文件工具。可观看的3D文件包括3D Studio Binary(*.3ds)、3D Studio Project(*.prj)、 3D Studio ASCII(*.asc)、Caligari Objects&Dcenes(*.cob、*.scn)、 Light Wave Objects(*.lwo,*.lw)、 DirectX(*.x)、Autocad DXF(*.dxf)、 QuakeI Model(*.mdl)、QuakeII Model(*.md2)、Objec t File Format(*.off)、*.raw、*.obj等，平面图型有bmp、rle、dib、gif、jpg、png、tif、tga、pcx 等，在观看3D文件时可以用鼠标调整不同的角度观看。

Deep Exploration 6.5中文汉化包，适用于Deep Exploration6.3、Deep Exploration6.4、Deep Exploration6.5三个版本。

使用PyTorch在MURA数据集上的DenseNet 在MURA数据集上实现169层模型的PyTorch实现，灵感来自Pranav Rajpurkar等人的论文 。 MURA是肌肉骨骼X射线照片的大型数据集，其中放射医师手动将每项研究标记为正常或异常。 重要事项： 所实现的模型是169层DenseNet，其单节点输出层使用ImageNet数据集上预先训练的模型中的权重进行初始化。 在将图像馈送到网络之前，将每个图像标准化为具有与ImageNet训练集中的图像相同的均值和标准差，并缩放为224 x 224，并通过随机的横向反转和旋转进行增强。 该模型使用了本文提到的改进的二进制交叉熵损失函数。 每次经过一段时间后，验证损失达到稳定水平，学习率就会下降10倍。 优化算法是默认参数β1= 0.9和β2= 0.999的Adam。 根据MURA数据集文件： 该模型将一个或多个用于上

ICC_II_SoC_DP_201806-SP5_LG_01_Exploration.docx

CCNA Exploration 4.pdf 学习资料 复习资料 教学资源