h08.14-CSDN博客

原创关于深度学习torch的环境配置问题

后来py文件可以但是ipynb文件还是不可以想看看是不是ipynb文件是不是也要配置环境。在编辑测试py文件发现runcode有问题原来是插件默认base环境具体操作参考。已经下好了torch在虚拟环境中，结果在ipynb文件中无法运行。结果进jupyter直接闪退（想要搞定一直没搞定）后来在终端直接用python语句编译发现没有问题。参数设置了在Jupyter界面中显示的内核名称。后面发现可以直接在vscode中配置内核。如果你已经配置好的环境叫做。参数设置了内核的名字，而。

2024-10-03 00:31:46 254

原创 AI基础 L27 Introduction to Automated Planning - III

汉明距离两个字符串之间的汉明距离是这两个字符串对应位置的字符不同的数量。例如，对于字符串 “1010” 和 “1001”，它们之间的汉明距离是2，因为第二个字符和第四个字符不同。

2024-09-18 17:11:47 619

原创 AI基础 L26 Introduction to Automated Planning - II

例如，一个名为 “gripper” 的领域可能涉及抓取器操作，而另一个名为 “rover” 的领域可能涉及机器人导航。是一个字符串，用于标识规划任务。每个规划任务都可以有一个唯一的名称，这个名称通常以文件的形式存在，例如 “gripper-four-balls.pddl”。这种匹配确保了规划系统能够正确地关联规划领域和规划任务的定义，从而有效地解决规划问题。例如，如果一个规划任务的文件名为 “gripper-one.pddl”，那么它的。指定了规划任务的名称，以便规划系统能够识别和处理该任务的特定细节。

2024-09-18 16:08:16 610

原创 AI基础 L25 Introduction to Automated Planning自动规划

Search vs. Planning• What happens when we try to search in the real world?• Consider the task of buying a book with ISBN 1234567890.• The agent has actions of the form Buy(X) where X is a ISBN number.• Using search, all 10 billion states have to be exa

2024-09-18 15:09:30 718

原创 AI基础 L22 Uncertainty over Time I 时间的不确定性

因此，我们可以用以下方式表示这个过程： f1:t+1 = Forward(f1:t, et+1) 这里的f1:t+1表示在时间t+1时的更新后的消息，Forward是一个操作，它将时间t的消息f1:t和新的观测et+1结合起来，得到时间t+1的消息。这个过程是从以下初始条件开始的： f1:0 = P(X0) 这里的f1:0表示在没有任何观测数据之前，对初始状态X0的先验概率分布。这是整个过滤过程的起点。传感器模型则描述了如何将不可观测的状态变量转换为可观测的证据变量。

2024-09-16 00:00:00 657

原创 AI基础 L20 Quantifying Uncertainty and Reasoning with Probabilities II 量化不确定性和概率推理

我们已经知道 P(Vanilla | Bowl1) = 3/4，P(Bowl1) = 1/2，P(Vanilla | Bowl2) = 2/4（因为碗2中香草和巧克力饼干的比例是1:1），P(Bowl2) = 1/2。我们需要计算的是这块饼干来自碗1的概率，即 P(Bowl1 | Vanilla)。Conditioning 是一种概率推理技术，它允许我们在已知某些证据的情况下，计算其他事件的概率。这是一个条件概率问题，因为我们知道取出的饼干是香草的，但我们不知道它来自哪个碗。

2024-09-15 00:00:00 500

原创 AI基础 L21 Quantifying Uncertainty and Reasoning with Probabilities III

综上所述，α是1除以探针检测到某物的总概率，它确保了后验概率P(Cav | Cat)在所有可能情况下的总和为1。具体的数值需要根据P(Cat | ¬Cav)和P(¬Cav)来计算。由于我们没有关于牙疼（T）的具体信息，我们需要考虑两种情况：牙疼发生（T）和牙疼不发生（¬T）。α的计算需要使用归一化常数，它等于1除以P(Cat)，即探针检测到某物的总概率。这里的α是归一化常数，它确保了所有可能情况的概率总和为1。

2024-09-15 00:00:00 953

原创网络安全 L7 certificates 认证

如果实体 B 信任 CA 的密钥，即它接受 CA 的公钥确实属于 CA，那么 B 也会接受由 CA 的私钥签名的任何内容。每个证书都依赖于其发行者的公钥，而发行者的公钥又依赖于另一个发行者的公钥，依此类推，直到我们到达一个我们信任的根证书。具体来说，如果 B 信任 CA，它将接受证书 c 是 CA 签名的，并且信任 CA 只会签名包含正确绑定的证书。因此，通过信任链，B 可以建立对 A 的密钥的信任。证书所有者是证书的拥有者和管理者，而依赖方是证书的消费者，他们使用证书来验证证书所有者的身份和属性。

2024-09-14 00:00:00 1030

原创网络安全 L3 Symmetric cryptography 对称加密

1. the right half of the block R goes through unchanged. R（右半）不变 L（左半）加密。round during encryption. 解密全部与加密相反加密的输出是解密的输入。1. stronger than DES 计算量大。Therefore, R L 左右交换。

2024-09-14 00:00:00 887

原创 AI基础 L18 Quantifying Uncertainty and Reasoning with Probabilities I

换句话说，第一个公式中的 x 指的是 John 知道的人，而第二个公式中的 x 指的是 Elizabeth 知道的人，这两个概念在逻辑上是不等价的。如果 KB 在所有可能的模型中都是一致的，那么我们可以说 KB 是无矛盾的。谓词逻辑中的谓词表达式可以看作是命题函数，当我们将具体的值分配给它的变量时，谓词表达式就有了一个真值，这与命题逻辑中的命题类似。：一阶逻辑可以表达对象之间的关系，如红色、圆形、伪造的、素数、多层建筑等属性关系，以及兄弟、大于、在内部、是部分、有颜色、发生在之后、拥有、位于之间等关系。

2024-09-13 00:00:00 485

原创 AI基础 L19 Quantifying Uncertainty and Reasoning with Probabilities I 量化不确定性和概率推理

然而，这并不总是正确的！例如，掷一个公平骰子时，如果第一次骰子掷出 5，那么掷出双倍（两个骰子都是 5）的概率是 P(doubles | Die1 = 5) = P(doubles ∧ Die1 = 5) / P(Die1 = 5)。在这种情况下，P(b | a)（在已知今天下雨的情况下明天也下雨的概率）通常大于 P(b)（明天下雨的概率），因为今天下雨可能增加明天也下雨的可能性。例如，如果一个命题“h”的真实性是不确定的，我们可以将其概率设置为 0.5，表示我们对这个命题的信念程度是中等的。

2024-09-13 00:00:00 867

原创网络安全 L1 Introduction to Security

Then he/she may be able to decrypt passwords offline using brute force (thereby bypassing methods to prevent on-line password cracking).暴力破解是一种尝试所有可能的密码组合，直到找到正确密码的方法。由于这种破解尝试是在攻击者的系统上进行的，而不是直接针对目标系统，因此它可以绕过目标系统上可能存在的防止在线密码破解的措施，如账户锁定策略或登录尝试限制。

2024-09-12 00:00:00 885

原创网络安全 L2 Introduction to Cryptography 密码学

2.1.2.Integrity3.4.1. no observer can access the contents of the message.确保只有授权的接收者能够阅读或访问消息，防止未授权的第三方获取敏感信息。2. no observer can identify the sender and receiver.保护通信双方的身份信息，防止第三方知道谁在发送消息以及消息是发送给谁的。

2024-09-12 00:00:00 1287

原创 AI基础 L13 Constraint Satisfaction Problems I约束满足问题

离散变量的CSPs涉及具有有限域的变量，例如布尔变量、整数、字符串等。连续变量的CSPs涉及具有连续域的变量，例如天文观测的开始和结束时间。偏好约束是软约束，它们为每个变量分配了一个成本，表示对某个变量的偏好。无限域的CSPs涉及具有无限域的变量，例如整数、字符串等。CSPs 涉及的任务是分配值给变量，以满足所有约束。

2024-09-11 00:00:00 1023

原创 AI基础 L17 Logic Agents II

它规定了句子的组成部分、它们如何组合以及哪些组合是有效的句子。语法确保了句子的结构是正确的，但不涉及句子的实际含义或内容。蕴含是指一个句子（或命题）从另一个句子（或命题）中推导出来的关系。语义定义了句子的“意义”，即句子在现实世界中的真值。语义确保了句子的内容和表述方式是相关的，并且有意义。蕴含是一种基于语义的关系，它存在于句子之间（即语法结构），并基于句子的意义。这意味着蕴含不仅仅取决于句子的结构，还取决于它们所表达的信息。例如，在模态逻辑中，一个句子可以有真值，这取决于特定的世界状态：意思。

2024-09-11 00:00:00 1147

原创 AI基础 L16 Logic Agents I

知识库是一个集合，其中包含了一系列使用正式语言编写的句子。在人工智能领域，这些句子通常被称为事实、规则或信念。知识库是代理理解其环境、做出决策和采取行动的基础。它包含了代理需要知道的所有信息，包括事实、规则、模式、关系等。

2024-09-10 15:04:17 531

原创 AI基础 L15 Constraint Satisfaction Problems III约束满足问题

•通过选择冲突最少的变量值来逐步接近解决方案“plateaus” 指的是解空间中的一片区域，在这片区域内，目标函数（例如冲突数量）的变化非常小或者没有变化。可能会导致算法收敛到一个局部最优解而不是全局最优解。即约束图是一个树 CSP O(nd**2)

2024-09-10 14:33:14 625

原创 AI基础 L10 Adversarial Search I 对抗性搜索

Perfect Information (fully observable) 完全信息博弈是指博弈中每个智能体都知道其他智能体的所有信息，包括他们的策略和收益。多个智能体（agent）相互作用，每个智能体都具有自己的目标和行动策略。在多智能体环境中，智能体需要考虑其他智能体的行动，并协调一致以采取有效的行动。— Deterministic 确定性博弈是指博弈中每个智能体的行动都是确定性的，不存在随机性。— Two-player 博弈中只有两个智能体参与，每个智能体都在自己的回合中做出决策。

2024-09-10 00:00:00 1072

原创 AI基础 : Adversarial Search II 对抗性搜索

• In non-deterministic environments在非确定性环境中，除了智能体的选择，环境的随机性也会导致分支, the environment’s choice must also be taken into account (AND Nodes)在树形结构中，状态之间的连接是分层的，而在图形结构中，状态之间的连接可以是任意形式的。在搜索过程中，算法会搜索两步，直到MAX（或MIN）玩家导致一个剪枝。示例：万智牌（纸牌游戏）当前状态：生命值、游戏卡牌和手牌。

2024-09-10 00:00:00 538

原创 AI基础 L8 Local Search I 局部搜索

•同一行同一列不能有两个皇后：在每一列中，尝试将皇后移动到减少冲突的位置。访问所有城市最短路径且一个城市只能去一次最后回到起点城市在每一步中，尝试通过交换路径中的两个城市来改进当前的路径。（两个城市交换目标城市）试图通过逐步改善当前状态来找到问题的解决方案。在这个算法中，我们从一个初始状态开始，然后尝试移动到邻近状态中具有更高评价函数值（更接近目标状态）的状态。

2024-09-09 00:00:00 897

原创 AI基础 L9 Local Search II 局部搜索

虽然多点交叉通过选择多个交叉点来减少位置偏见，但仍然存在一定的位置偏见，因为交叉点的位置会影响子代个体的基因组合。• cross over — population holds information 交叉是指将两个父代个体的部分基因组合在一起，形成新的子代个体。它的主要优点是能够找到全局最优解或近似最优解，但它的主要缺点是可能需要大量的迭代次数。• Mutation — local search N (x) 变异是指对种群中的个体进行小的随机改变。对于当前的所有k个状态，生成它们的所有可能后继状态。

2024-09-09 00:00:00 744

原创 AI基础 L6 Informed Search I 启发式搜索（heuristic search

• One rule for heuristic functions: if we’re at the goal node n, h(n) = 0. 确保了启发式函数在目标节点上的准确性，即到达目标节点的成本为零。它选择扩展的节点是基于节点当前的评估函数值，而忽略了整个路径的成本。这种方法旨在尽可能快地找到一个解决方案，但不保证找到的是全局最优解。f(n) 是从初始状态到节点 n 的实际成本（g(n)）加上从节点 n 到目标状态的估计成本（h(n)）。不同搜索算法使用不同的评估函数。

2024-09-08 00:00:00 444

原创 AI基础 L7 Informed Search II

这意味着对于图中的每个节点n和由行动a生成的后继节点n’，从n到达目标的最小成本估计不会大于从n到n’的步骤成本加上从n’到达目标的最小成本估计。h(n) ≤ c(n, a, n′) + h(n′) 那么在任意路径上的f值（f(n) = g(n) + h(n)）都是非递减的。直线路径距离是指从当前节点到目标节点的直线距离。在大多数情况下，直线距离是一个可行的启发式，因为它通常不会高估到达目标所需的成本。f (n) = g(n) 初始状态到节点 n 的实际成本+ h(n)节点 n 到目标状态的估计成本。

2024-09-08 00:00:00 825

原创 AI基础 L5 Uninformed Search II 无信息搜索

这是因为搜索空间会随着重复状态的增加而指数级增长，从而导致算法需要处理更多的状态，增加了搜索的复杂性和所需的时间。在图搜索中，重复状态（Repeated states）是指在搜索过程中，图中的某些状态被多次访问，但可能没有被正确识别为重复。：当达到一个无法继续扩展的节点（通常是最深的边缘节点）时，搜索会回溯到下一个浅层节点，这个节点仍然有未探索的后继节点。但是如果图中的某个目标是超出深度限制的，DLS可能无法找到该目标的解。深度越深的节点成本越高，那么这个算法是有效的，因为它能够找到成本最低的解。

2024-09-07 16:30:49 648

原创 AI基础 L4 Uninformed Search I 无信息搜索

initial state)：问题的起点，例如“在阿拉德（Arad）”。actions：智能体可以执行的操作，例如“驾车从阿拉德到泽林德（Arad → Zerind）”。：给定状态 x，返回一组动作-状态对，例如 S(Arad) = {〈Arad → Zerind, Zerind〉, …}。goal test：判断一个状态是否是目标状态，可以是显式的或隐式的。：从初始状态到目标状态的行动总成本，例如行驶距离的总和、执行的动作数量等。：从初始状态到目标状态的一系列动作。

2024-09-07 13:54:25 1380

原创 AI基础 L3 Agents II

如果一个程序的环境是固定不变的，那么这个程序可以盲目地执行，不需要实时地响应环境的变化。一个固定环境的一个例子是编译器，它在处理源代码时通常不需要考虑环境的变化，因为编译过程的输入是固定的代码，输出是固定的编译结果然而，现实世界中的大多数环境是动态的，这意味着它们会随着时间而变化。在这种环境下，一个反应式系统（reactive system）需要能够与它的环境保持持续的交互，并对发生的变化做出及时的响应，以便响应能够对环境产生有用的影响。

2024-09-06 21:09:49 794

原创 AI基础 L2 Agents1

智能体的主要特点在于它们在一定程度上是自主的，这意味着它们能够独立行动，并对其内部状态表现出控制。因此，智能体是一个计算机系统，能够在某种环境中自主行动，以实现其设计目标。智能体（agent）是一个能够自主行动的计算机系统，它能够代表其用户或所有者执行任务，而不是不断被指示做什么。多智能体系统（MAS）是由多个智能体组成的系统，这些智能体能够相互合作、协调和谈判，以代表不同用户实现各自的目标和动机。• Delegation 委托是指将任务和决策权从人类转移到计算系统和智能代理的过程。

2024-09-06 20:23:06 592

原创 AI基础 L1 Introduction to Artificial Intelligence

当外面的中文母语者通过一个小窗口传递给房间里的人一些用中文写的问题时，房间里的人能够依据手册上的指示，找到恰当的中文回答并传递出去。这些原则是理想化的，它们规定了在理想情况下应该遵循的规则。举例来说，如果一个智能体被编程去寻找房间中的光源，理性行为将是在当前感知到的房间布局中，选择一条路径，这条路径根据智能体的传感器信息和预先设定的目标（找到光源），最有可能引导它到达光源。从外面看，似乎房间里的人能够用中文进行有意义的对话，但实际上，房间里的人并不理解这些中文符号的含义，他仅仅是按照手册的指示在操作符号。

2024-09-06 18:34:12 691

原创 Anaconda创建环境报错：An unexpected error has occurred. Conda has prepared the above report

发现之前安装的清华镜像源有问题。查询原来安装的镜像源。

2024-08-11 18:14:39 208

原创 security：Encryption，Authentication AND virtual machine：

函数 V：K→（M×A→{真，假}）。也就是说，对于  K 中的每一个 k，Vk 都是一个用于验证信息验证器的函数。也就是说，对于  K 中的每一个 k，Ek 都是一个从信息生成密文的函数。常见的报文摘要函数包括 MD5 和 SHA-1，前者产生 128 位的散列值，后者输出 160 位的散列值。由于验证器通常是暴露的（例如，它们与报文本身一起在网络上发送），因此从验证器中推导出 k 一定是不可行的。因此，拥有 k 的计算机可以将密文解密为生成密文所用的明文，而不拥有 k 的计算机则无法解密密文。

2024-06-26 00:00:00 1388

原创 Thrashing颠簸

如果一个进程没有“足够”的页面，那么页面错误率就会非常高。 局部大小 > 总内存大小。操作系统认为它需要增加多程序设计的程度。一个进程忙于换入和换出页面。进程从一个区域迁移到另一个区域。使用本地或优先页替换限制影响。但很快需要替换的帧回来。另一个进程添加到系统中。为什么会发生资源错配？

2024-06-25 00:00:00 328

原创 cpu scheduling cpu调度

SJF（最短作业优先）调度算法可以被视为一种特殊的优先级调度算法，优先级的分配是基于预测的CPU突发时间（即进程下一次需要CPU的时间长度）预测的CPU突发时间越短，进程的优先级就越高，这样它就越有可能被调度器选中执行。如果就绪队列中有 n 个进程，而时间量子为 q，那么每个进程都会一次性获得 1/n 的 CPU 时间，每块最多 q 个时间单位。过了这段时间后，进程就会被抢占并加入就绪队列的末尾。SJF算法从就绪队列中选择当前优先级最高的进程（如果有多个进程具有相同的优先级，则选择当前优先级最高的进程）。

2024-06-25 00:00:00 1501

原创 mass storage：RAID Structure ， Error Detection and Correction

数据存储和传输非常复杂，经常会出现错误。纠错可以检测和修复问题，这取决于可用的纠错数据量和损坏的数据量。热备用磁盘是未使用的磁盘，当磁盘出现故障时，RAID 生产会自动使用热备用磁盘来替换故障磁盘，并在可能的情况下重建 RAID 集。如果镜像磁盘独立发生故障，则考虑平均故障时间为 1300,000 小时、平均修复时间为 10 小时的磁盘。如果阵列发生故障，存储阵列内的 RAID 仍会发生故障，因此阵列间数据的自动复制很常见。通常会留出少量未分配的热备用磁盘，自动替换故障磁盘，并将数据重建到这些磁盘上。

2024-06-25 00:00:00 1049

原创 process state and transition进程状态和转换

当 CPU 切换到另一个进程时，系统必须保存旧进程的状态，并通过上下文切换为新进程加载保存的状态。目标 -- 最大限度地利用 CPU，快速将进程切换到 CPU 内核上。进程调度程序从可用进程中选择下一个在 CPU 内核上执行的进程。就绪队列--驻留在主内存中、准备就绪并等待执行的所有进程的集合。操作系统和 PCB  越复杂，上下文切换的时间就越长。Waiting：进程正在等待某些事件发生。等待队列--等待事件（如 I/O）的进程集。与每个进程相关的信息（也称为任务控制块）PCB 中表示的进程上下文。

2024-06-24 00:00:00 734

engaged in visual analysis World-Wide-Unicorn-Startups dataset

服务器启动html文件时 js脚本没有反应

js计时器倒计时显示问题

python数据分析数据集的清洗

我想要更换列表嵌套列表中的元素该怎么进行更换eg：[["1","1"],["1","1"]] 把第三个“1”所在位置的元素给替换成另一个

我想要查询列表中嵌套的列表的特定元素是否含有该怎么做eg：[["X","O"],["","X"]] 判断该列表中是否含有“"

3”这种字符串转为[1,2,3] 我用了spilt但是就只能变成['1,2,3']

打出的字符串中加单引号和双引号

如何使用python遍历最短路径