文章导航PC6首页软件下载单机游戏安卓资源苹果资源

pc软件新闻网络操作系统办公工具编程服务器软件评测

安卓新闻资讯应用教程刷机教程安卓游戏攻略tv资讯深度阅读综合安卓评测

苹果ios资讯苹果手机越狱备份教程美化教程ios软件教程mac教程

单机游戏角色扮演即时战略动作射击棋牌游戏体育竞技模拟经营其它游戏游戏工具

网游cf活动dnf活动lol周免英雄lol礼包

手游最新动态手游评测手游活动新游预告手游问答

您的位置:首页单机游戏角色扮演 → 怪物猎人世界新装备介绍 怪物猎人世界新装备新系统一览

宋清晨

特斯拉启动暴风雨监测以保持房屋明亮。

    标题:特斯拉启动暴风雨监测功能,以确保家庭永远明亮。[移动中国新闻]特斯拉推出Powerwall 2家庭

    特斯拉启动风暴监测以保持房屋明亮

    [移动中国新闻]特斯拉推出了针对Powerwall 2家庭电池组的特殊“风暴监视”模式,以便在飓风来临时保持客户的家庭灯光明亮。特斯拉在2017年开始将Powerwall和太阳能整合到其所有者的手机中。在2018年早些时候,特斯拉增加了一个新功能,风暴监测,以检测风暴,并在停电期间释放储存的能量。

    风暴监测

    特斯拉将新功能描述如下:“当暴风雨或恶劣天气之前停电增加时,Powerwall自动触发风暴监视。在这种模式下,Powerwall将自动充电到其最大容量以提供足够的备用电源。Tesla应用程序通知客户Powerwall已经激活了风暴监视模式,并将保持活动直到坏天气结束,此时系统返回到先前选择的模式。用户可以通过选择“自定义”然后选择风暴监视来禁用此功能。

    澳大利亚昆士兰的一位家庭用户特斯拉·鲍威尔(TeslaPow.)说,上周末在暴风雨来临之前推出了这一功能。飓风欧文在昆士兰北部的热带海岸倾泻了超过半米的雨水,给该地区的电力基础设施造成了巨大压力。虽然在某些地区飓风的影响可以说是灾难性的,但随后将飓风降级为热带风暴的破坏性并没有预期的那么大。

    特斯拉有权力决定何时启动风暴监测,并将其推给Powerwall用户,但如果他们不担心天气,并希望他们的家用电池像往常一样运行,他们也可以选择。我们已经看到波多黎各Powerwall用户在最近的大停电期间充分利用了他们的备份能力。在Tesla的早期计划中,他们说,Powerwall生产的目的是为了解决“电池短缺”的情况,而且对电池组的需求现在已经超过了Tesla的预期。

当前文章:http://www.ting-mp3.com/ulmtuf/1395077-239304-31286.html

发布时间:02:39:20

广州设计公司  二四六天天好彩玄机图  二四六天天好彩免费资料大全  二四六图片玄机  二四六免费玄机图  二四六天天好彩玄机图  二四六免费玄机图  二四六免费玄机图  二四六图片玄机  二四六天天好彩免费资料大全  二四六免费玄机图  

{相关文章}

深度强化学习中的好奇心

  男子spa_宜州新闻网&江苏恒力_新闻怎么写网nbsp; 本文是AI研究所编写的一个技术博客。最初的标题是《深层强化中的好奇心》。

    本文是AI研究所编写的一个技术博客。最初的标题是:

    深度强化学习的好奇心

    作者|迈克尔克莱尔

    翻译|缩写2018

    校对|酱梨涂饰|菠萝女孩

    链接到原始文本:

    Http://towardsdata..com/holio.-in-.-.ment-.-.-.-network-.llation-747b322e2403

    深度强化学习中的好奇心

    早期密集学习的困难任务之一,Montezuma的复仇,在探索随机网络蒸馏方面取得了重大突破(来源:Parker兄弟博客)。

    Atari游戏是深层强化学习(RL)算法的一个流行的基准任务。Atari很好地平衡了简单性和复杂性:一些游戏(如Pong)是如此简单,以至于它们可以通过基本算法(如一般策略梯度)来解决,而其他游戏则足够复杂以至于可以击败甚至最先进的算法。

    在最简单和最复杂的游戏之间的一系列有用的任务已经成为许多深入加强学习研究论文的核心。

    来自OpenAI博客。

    前者“未解决”的阿塔里游戏,蒙提祖马的复仇,最近已经解决了一个算法(在某种程度上),可以在得分上超过人类表现。研究人员可以鼓励代理人在1级探索不同的房间,这是赢得游戏积分的好方法。

    通过好奇心探索

    人类在玩冒险游戏时有一林清玄的文章_美白淡斑精华网种内在的探索欲望,比如蒙提祖玛的复仇。游戏设计者构建这样的游戏来鼓励这种行为,通常需要玩家在继续游戏之前进行探索。这就是为什么冒险游戏很有趣。(问任何喜欢玩天空游戏的人。)

    像Montezuma的《复仇》或《天空》这样的冒险游戏充分利用了玩家探索的自然欲望,使得探索成为游戏任务的关键部分。

    深度强化学习算法执行“探索”的典型方法是通过随机策略:从神经网络提供的动作似然分布中随机采样动作。因此,特别是在早期阶段(当策略没有时间收敛时),它是随机行动的明显选择。

    这种方法在某些情况下是有效的。例如,Pong的解决方案是随机旋转桨并观察结果。幸运的是,球偏转可以启动优化。

    在像蒙特祖马的复仇游戏中,这种方法是不可行的。想象一下,从游戏的开始,化身随机地左右移动,随机地跳跃。结果,化身掉进熔岩中或直接进入敌人而没有获得点数。没有积分或奖励,算法无法得到优化的信号。

    那你会随便甩一甩吗?祝你好运。

    好奇

    重点放在寻找更好的探索方法上。基于好奇心的探索可以看作是激发人类玩家好奇心的一种尝试。

    但是,我们如何创建一个好奇的代理呢?

    有很多方法可以实现这个想法。其中之一,甚至使用下一个状态预测,由于其简单性和可伸缩性而很有趣。

    其基本思想是同时培养独立的预测模型和策略模型。预测模型输入所观测到的当前状态和所选择的动作,并对下一次观测进行预测。

    为了探索足够的轨迹,我们假设损失很小(因为我们通过监督学习不断开发预测模型);对于探索不足的轨迹,我们假设损失很大。

    那么,我们能做的就是创建一个新的奖励函数(称为“内在奖励”),它提供与预测模型的损失成比例的奖励。因此,当探索新的轨迹时,代理接收到强烈的奖励信号。

    (a)一级学习探索(b)二级快速探索

    使用马里奥模拟器任务(来源)中的下一个预测,学习探索从第一级的好奇心转移到第二级的快速探索。

    这项技术在超级马里奥模拟器中产生了一些令人鼓舞的结果。

    拖延症代理人:电视问题

    这项技术并不完美。一个已知的问题是代理被环境中的随机或噪声元素所吸引。这种时钟情况有时被称为“白噪声”问题或“电视问题”;也称为“拖延”。

    为了证明这种效果,设想一个代理人通过观察他所看到的像素来学习在迷宫中导航。

    下一状态预测引起代理人学习成功导航迷宫的好奇心。

    代理人很好地完成了任务;他开始寻找迷宫中未被探索的部分,因为他有能力在探险丰富的地区做出好的预测(或者换句话说,他不能在未开发地区做出好的预测)。

    现在在迷宫的墙上放一个“电视”,快速连续地显示随机选择的图像。由于图像的随机来源,代理不能准确预测接下来会出现什么图像。该预测模型将产生高损耗,从而为代理商提供高“内在”回报。最终的结果是,特工们倾向于停止看电视,而不是继续探索迷宫。

    在环境(源)中,当代理人面对电视或随机噪声源时,下一个状态预测引起代理人的好奇心,最终导致“拖延”。

    为了避免延误,采用随机网络蒸馏。

    OpenAI的一些优秀人员最近发表了一篇论文,提出了噪声电视问题的解决方案,探讨了随机网络蒸馏(RND)。

    这里的新思想是将类似的技术应用到下一个状态预测方法,但是消除对先前状态的依赖。

    下一状态预测相对于RND(源)的概述。

    RND并不预测下一个状态,而是观察下一个状态并试图预测下一个状态。这是一个非常微不足道的预测,不是吗?

    RND随机网络的目的是安康鱼炖豆腐_我的伯父鲁迅先生教学反思网采用这种小的预测任务,并将御剑江湖sf_宠物猫咪网其转化为硬预测任务。

    使用随机网络

    这是一个聪明但违反直觉的解决方案。

    其思想是我们使用随机初始化神经网络将观测值映射到潜在的观测向量。函数本身的输出并不重要;重要的是,我们有一些未知的确定性函数(随机初始化的神经网络),以某种方式转换观测值。

    因此,我们的预测模型的任务不是预测下一个状态,而是预测给定观测状态的未知随机模型的输出。我们训练该模型使用随机网络输出标签。

    当代理处于熟悉的状态时,预测模型应该能够很好地预测随机网络的期望输出。当智能体对状态不熟悉时,预测模型会对随机网络的输出做出较差的预测。

    通过这房地产投资基金_白兰花园网种方式,我们可以定义一个内在的奖励函数,它再次与预测模型的损失成比例。

    内部报酬计算的概念概述。只使用下一个观察状态。

    这可以解释为“新奇性检测”方案,其中当进行新的观测或不熟悉的观测时,预测模型具有较高的计算损失。

    作者使用MNIST作为这个概念的证明。在本实验中,他们通过随机初始化神经网络提供MNIST样字符。然后,在给定的输入条件下,它们训练并行网络来预测随机网络的输入。如预期,当目标类的训练样本数量增加时,它们将看到目标类被并行网络丢失。

    数据2:MNIST上的新奇性检测:预测器网络模拟随机初始化的目标网络。训练数据包括不同比例的图像和目标类别与“0”类别。每个曲线都表示MSE测试显示的目标类的训练用例的数量(对数)。

    论文对MNIST概念进行了验证。

    这样,当代理看到随机噪声源时,它不会被卡住。它不需要试图预测屏幕上下一个不可预测的帧,只需要知道这些帧是如何通过随机网络转换的。

    探寻蒙太祖玛的复仇

    由于解决方法不佳,以往的状态预测的好奇机制并不能解决蒙台梭玛的复仇问题,但RND似乎已经克服了这些问题。

    好奇心驱使的代理人探索房间,学习收集钥匙,这样他们就可以打开新房间。

    尽管取得了这样的成功,但是代理仅“偶尔”通过了一级。这是因为通过最后一道门来完成检查点,需要严格管理密钥的使用。需要内部状态模型(如LSTM)来克服这一障碍。

    因此,虽然RND已经允许代理人在得分上超过一般人的表现,但是在掌握游戏之前还有很长的路要走。

    这是关于深度强化学习算法的实验的一系列文章的一部分。查看本系列以前的一些帖子:

    理解演进的战略梯度。

    感谢卢多维奇本尼斯坦特。

    要继续查看本文的链接和参考资料吗?

    长时间点击链接打开或点击底部[好奇心在深度强化学习]:

    Http://ai.yanxishe.com/page/Text./1363

    AI协会每天更新精彩内容,观看更多精彩内容:雷锋网、雷锋网和雷锋网。

    五大CNN架构

    深度强化学习中的好奇心

    使用Pytorch进行深度学习(第一部分)手柄:使用PyTorch实现图像分类器(第二部分)

    等待您翻译:

    如何为初学者聚类混沌数据以使用Keras进行迁移学习增强学习:对于情绪行为系统,如果你想学习数据科学,这七个资源不能错过

相关阅读 以色列将于明年4月提前选举内塔尼亚胡或连任总理。瑞信:未来10年,中国机构投资者将强劲增长。【贯彻落实中央经济工作会议精神】把“八字方针”落实到位瑞信:未来10年,中国机构投资者将强劲增长。印度尼西亚海啸造成429人死亡,原因是缺乏清洁食品和药品或健康危机。长清在京招商引资圆满收官 签约10个项目,总额155亿元战斗机-16已经多次在高空飞行,而国内航空的高空仍然给予力量。打开酒店的“卫生门”:下次你不会站起来,而且负担不起。

文章评论
发表评论

热门文章 今年,省政府几位最高领导人正在各省开展五项新的工作.|唐良志.|刘宁.|张国庆。也见金文的大新闻:9万亿银行股的五种解释智能音箱是如何在欧洲蹿红的特斯拉作出了贡献!自动制动系统,避免后端前车

最新文章 我国海洋生态环境形势依然严峻,需要加强科技支撑。高级债券基金经理警告说:“为更多的市场动荡做好准备。” Ali开源UI框架蚂蚁设计隐藏圣诞彩蛋Nissan Kelly的妻子说她被困在美国做手术。三星银河A8s挖孔屏手机预价下调:预订手提价格2699元非法交换公民信息270000条北京市一文化公司被罚款50万元|被告新浪财经

人气排行 它改变了游戏,半辈子影响了游戏世界有多少大人物?诺卡普半衰期20周年纪念纪录片当自如寓遇上全智能:自如新品发布会自如寓专场莫拜达裁员:持续亏损很难扭转,被“爸爸”抛弃了吗?莫白|裁员|胡伟伟新浪科技十二月二十六日赢利的经营建议:原油引起血案化学沉沦深渊|中粮新浪财经中国化学拟增资30亿元至17家全资子公司中国国际信息通信博览会土地占用税法草案和车辆购置税法草案再次提交全国人民代表大会常务委员会审议。每一行代码都令人敬畏吗?蚂蚁代码鸡蛋炸出一个圈子

https://4l.cc/article.php?id=304&page=1https://4l.cc/article.php?id=288&page=1https://4l.cc/article.php?id=282&page=2https://4l.cc/article.php?id=263&page=1https://4l.cc/article.php?id=253&page=3https://4l.cc/article.php?id=253&page=2https://4l.cc/article.php?id=252&page=1https://4l.cc/article.php?id=319&page=1https://4l.cc/article.php?id=249&page=1https://4l.cc/article.php?id=249&page=9https://4l.cc/article.php?id=244&page=2https://4l.cc/article.php?id=233&page=1https://4l.cc/article.php?id=233&page=2https://4l.cc/article.php?id=232&page=1https://4l.cc/article.php?id=230&page=5https://4l.cc/article.php?id=228&page=3https://4l.cc/article.php?id=227&page=2https://4l.cc/article.php?id=302https://4l.cc/article.php?id=296https://4l.cc/article.php?id=280https://4l.cc/article.php?id=269https://4l.cc/article.php?id=254https://4l.cc/article.php?id=250https://4l.cc/article.php?id=249https://4l.cc/article.php?id=227http://4l.cc/article.php?id=311&page=1http://4l.cc/article.php?id=293&page=1http://4l.cc/article.php?id=274&page=2http://4l.cc/article.php?id=268&page=1http://4l.cc/article.php?id=263&page=3http://4l.cc/article.php?id=262&page=2http://4l.cc/article.php?id=260&page=2http://4l.cc/article.php?id=249&page=5http://4l.cc/article.php?id=249&page=4http://4l.cc/article.php?id=241&page=1http://4l.cc/article.php?id=233&page=1http://4l.cc/article.php?id=231&page=1http://4l.cc/article.php?id=223&page=2http://4l.cc/article.php?id=316http://4l.cc/article.php?id=311http://4l.cc/article.php?id=301http://4l.cc/article.php?id=282http://4l.cc/article.php?id=278http://4l.cc/article.php?id=273http://4l.cc/article.php?id=272http://4l.cc/article.php?id=268http://4l.cc/article.php?id=262http://4l.cc/article.php?id=256http://4l.cc/article.php?id=246