jdk-8u161-windows-x64下载

2018-04-17 10:35:53 114 阅读 AI 写同款 · GEO 优化AI 选题数据监测一键分发 ›

DRAM 埋入式字线（Buried Wordline）技术深度解析：从二维平面到三维凹槽埋入式字线（bWL）及其核心的埋入式沟道阵列晶体管（BCAT）架构，无疑是 DRAM 发展史上的一次关键性革命。它在约 40nm 技术节点被行业主流采纳，成功地帮助 DRAM 产业克服了传统平面晶体管的物理缩放极限。力挽狂澜的续命技术：bWL 通过引入三维沟道结构，从根本上解决了由短沟道效应和漏电流失控引发的数据保持危机，为经典的 1T1C（单晶体管 - 单电容）DRAM 单元架构延续了超过十年的生命力。协同优化的基石技术。阅读详情

我分析的目标分类随时间的变化各参数的系数会产生变化，比如，用softmax对孩子的健康水平进行分类。随时间的变化，同龄孩子的体重会逐渐偏高，需要用强化学习把体重情况和孩子的健康情况的系数进行更新。
目前，我是随着时间的变化每次测试中重建机器学习框架，重新生成一套系数，但是这样系数变化会比较大，我需要利用强化学习把这个系数变化做得更平滑一些，求大神指教（请根据以下代码进行添加和修改，我看了很多强化学习的案例，还是不知道怎么应用在这里）。
w=[]
u=[]
for lenth in range (5,training_lenth-1):
x=tf.placeholder("float", [None,25])
y=tf.placeholder("float", [None,2])
W=tf.Variable(tf.zeros([25,2]))
b=tf.Variable(tf.zeros([2]))

actv= tf.nn.softmax(tf.matmul(x,W)+b)
cost=tf.reduce_mean(-tf.reduce_sum(y*tf.log(actv), reduction_indices=1))
learning_rate=0.01
optm= tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)
pred=tf.equal(tf.argmax(actv, 1), tf.argmax(y, 1))
accr=tf.reduce_mean(tf.cast(pred,"float"))
init=tf.global_variables_initializer()
sess=tf.InteractiveSession()
sess=tf.Session()
sess.run(init)
training_lenth=len(G)####(回测长度）
training_epochs =500 #训练次数
batch_size = len(G) #每
for epoch in range(training_epochs):
avg_cost=0
num_batch=int(len(G)/batch_size)
for i in range((lenth-4),lenth):
batch_xs=np.array(G[i])
batch_ys=np.array(F[i])
sess.run(optm, feed_dict={x: batch_xs, y: batch_ys})
feeds={x:batch_xs, y: batch_ys}
avg_cost += sess.run (cost, feed_dict=feeds)/(num_batch*lenth)
feeds_train = {x: batch_xs, y: batch_ys}
feeds_test = {x: G[i+1], y: F[i+1]}
train_acc = sess.run(accr, feed_dict=feeds_train) #feed_dict 针对place holder占位
test_acc = sess.run(accr,feed_dict=feeds_test)
w.append(test_acc)
u.append(train_acc)
result=sess.run(actv,feed_dict=feeds_test)
print(result)
print ("lenth: d/d cost: %.9f train_acc: %.3f test_acc: %.3f" % (lenth, training_epochs, avg_cost, train_acc, test_acc))#打印方法
相关下载链接：//download.csdn.net/download/wangyisha/10354137?utm_source=bbsseo

...全文