项目中相关函数

1. spaces 

spaces.Box(low=None, high=None, shape=None, dtype=None)
#例子
b= paces.Box(0.0, float('inf'), [n_dims], dtype=np.float32) 
# low=0.0, high=inf , shape=740, dtype= float32

c= spaces.Box(0.0, 1.0, [self._env.action_space.n], dtype=np.float32) 
# low=0.0, high=1, shape=71, dtype= float32

2. lambda ，reduce

lambda 

reduce： 累加

n_dims = reduce(lambda x, y: x+len(list(y)), list(self.stat_type.values()), 0) + len(self.stat_type)*2 

拆分：

values=str('00110001000001')
print(list(values),0)

# 输出['0', '0', '1', '1', '0', '0', '0', '1', '0', '0', '0', '0', '0', '1'] 0

a= lambda x, y: x+len(list(y))
b= a(0,values)
print(a) # 输出 <function <lambda> at 0x000001E3DAB21400>
print(b) # 输出 14

3.相关激活函数

tanh， sigmoid 

4.奇异值分解

代码        解释        

线性代数 解释 

5. logits

正确理解tf中的logits

这个将的特别好，解释了交叉熵是如何计算的 

6. tf.reduce_mean

tf.reduce_mean 函数用于计算张量tensor沿着指定的数轴（tensor的某一维度）上的的平均值，主要用作降维或者计算tensor（图像）的平均值

7. 交叉熵

用于度量两个概率分布之间的差异，值越小，模型预测的效果越好 

softmax_cross_entropy_with_logits( labels=None, logits=None,dim=1,name=None)

#计算 lable和logis之间的交叉熵 
#衡量离散分类任务中的概率误差

参数：

labels: 每一行`labels[i]`必须是一个有效的概率分布

logits: 不加标度的对数概率   

dim：类的维度。默认为最后一个维度 -1

name：这个操作的名字（可选）

分析：分局交叉熵的概念，labels 为真实值，logits为预测值，此函数的目的是计算labels和logits之间的差距

8. tf.one_hot(indices,depth)

返回一个 one_hot 类型的张量

官方给的例子比较清楚

indices = [0, 1, 2]
depth = 3
tf.one_hot(indices, depth) 
#输出为 [3 x 3]
  # [[1., 0., 0.],
  #  [0., 1., 0.],
  #  [0., 0., 1.]]


indices = [0, 2, -1, 1]
depth = 3
tf.one_hot(indices, depth, on_value=5.0, off_value=0.0,axis=-1)  
# output: [4 x 3]
  # [[5.0, 0.0, 0.0],  # one_hot(0)
  #  [0.0, 0.0, 5.0],  # one_hot(2)
  #  [0.0, 0.0, 0.0],  # one_hot(-1)
  #  [0.0, 5.0, 0.0]]  # one_hot(1)

参数意义：

indices: 输入，即想要进行ONE_HOT转变的，多为矩阵

depth：输出的尺度 

on_value 和 off_value:

one_hot默认为1,0表示，1就是on_value, 0就是 off_value，这里可通过设置改变

axis: 要填充的轴（默认：-1)

9. isinstance

https://m.runoob.com/python/python-func-isinstance.html

isinstance() 函数来判断一个对象是否是一个已知的类型，类似 type()

10.axis

总是搞不清楚维度，这个讲得很清楚

11. tf.greater(),tf.to_float,tf.reduce_mean()

import tensorflow as tf

x=[1,2,3,4]
y=[2,1,3,8]
sess=tf.Session()
with sess.as_default():
    a=sess.run(tf.greater(x,y))
b=sess.run(tf.to_float(a))
c=sess.run(tf.reduce_mean(b))
print(a,b,c)

#输出
#a=[False  True False False] 
#b=[0. 1. 0. 0.]
#c= 0.25

12. 查看 tensorflow 是GPU版本 还是CPU版本

import os
from tensorflow.python.client import device_lib
os.environ["TF_CPP_MIN_LOG_LEVEL"] = "99"

if __name__ == "__main__":
    print(device_lib.list_local_devices())

13. 查看电脑GPU

cmd : cd C:\Program Files\NVIDIA Corporation\NVSMI 中

cmd 输入 nvidia-smi

这里解释了显示的内容

14. tensorflow GPU 

1. 卸载之前环境里的所有有关tensorflow的包

2.安装 GPU版本， 参考 https://blog.csdn.net/zqx951102/article/details/89105110

3. 测试查看 （根据12）

4. 查看分配：https://blog.csdn.net/fanzonghao/article/details/82218621

15. np.concatenate

拼接矩阵：这里

16.Python ZMQ相关内容

1. 基本三个模型 这里

2.参数类型 这里

17. Pycharm导入包

看源码时发现，项目内部的包无法导入，解决办法：https://blog.csdn.net/xiao_yi_xiao/article/details/101793655

发现无法整体导入就一个个文件夹导入

18. 安装全部requirems的包命令

https://blog.csdn.net/weixin_45092662/article/details/106906719

前提是你的python和包的版本正确，安装了几次发现由于版本错误没安装成功，最后是一个个安装的。

19.