render_mode=”human” 显示画面
render_mode=”rgb_array” 不显示画面
frames 动画保存，需要rgb_array模式。因此采用cv2进行渲染，解决rgb_array模式下画面显示问题。
import gym
import matplotlib.pyplot as plt
from matplotlib import animation
import cv2
# 保存gif图像
def displa
import matplotlib.pyplot as plt
import numpy as np
“””
font:设置中文
unicode_minus:显示负号
“””
# 画图文字使用黑体字显示（显示中文，默认不支持中文）
plt.rcParams[‘font.sans-serif’] = [‘SimHei’]
plt.rcParams[‘axes.unicode_minus’] = False
# 正常显示负号
“””
随机数生成,自动
# -> 常常出现在python函数定义的函数名后面，为函数添加元数据，描述函数返回的类型。
# : 表示参数的类型建议符
def one(agent: str) -> str:
print(“Annotations:”, one.__annotations__)
return agent
def two(agent: str):
print(“Annotations:”, two.__annotations__)
return agent
pr
一、docker安装
1、vnc连接树莓派，打开终端。
sudo curl -sSL https://get.docker.com | sh
#查看版本
docker -v
#配置命令
sudo systemctl daemon-reload # 重启 systemctl 守护进程
sudo systemctl enable docker # 设置 Docker 开机启动
sudo systemctl start docker # 开启 Docker
1、更新源。
sudo apt-get update
sudo apt-get upgrade
①sudo apt-get update：这个命令会访问源列表里的每个网址，并将软件列表保存在本地电脑。
②sudo apt-get upgrade：这个命令会把本地已安装的软件，与软件列表里对应软件进行对比，如果发现已安装的软件版本太低，就会提示更新。
/etc/apt/sources.list 就是源列表所在地址。
2、安装mysql
sudo apt-get i
官网：https://tomcat.apache.org/
1、下载tomcat9。
2、通过vnc上传。解压缩。
3、启动。
./start.sh
浏览器访问 http://127.0.0.1:8080/
1、下载arm64的jdk8。jdk-8u202-linux-arm64-vfp-hflt.tar.gz
如果不确定是32位系统还是64位系统，可以用 uname -a 查看。
uname -a ：显示系统名、节点名称、操作系统的发行版号、内核版本等等。
2、解压、安装。
在usr目录下 创建java文件夹。
sudo mkdir java
chmod 777 -R java
通过vnc传输文件。
然后解压。
tar -xzvf jdk-8u
科学计数法使用字母e或者E作为幂的符号，以10为基数，含义如下：
<a>e<b>=a*10**b
# e 是科学计数法的一种表示。eN表示10的N次方。
print(3.3e1)
print(3.3e2)
print(3.3e-1)
输出
33.0
330.0
0.33
1、下载OpenCV的Android包并解压缩。
下载：https://opencv.org/releases/
2、创建Android应用或者在现有应用中，导入OpenCV模块。
// Import module: Menu -> “File” -> “New” -> “Module” -> “Import Gradle project”:
// Source directory: select this “sdk” directory
//
“维度灾难” 在机器学习中经常会碰到一些高维的数据集，而在高维数据情形下会出现数据样本稀疏，距离计算等困难，这类问题是所有机器学习方法共同面临的严重问题。 特征冗余在高维特征中容易出现特征之间的线性相关。
PCA(Principal Component Analysis)，即主成分分析方法，是一种使用最广泛的数据降维算法。 PCA通过线性变换将原始数据变换为一组各维度线性无关的表示，提取数据的主要特征分量，常用于高维数据的降维。
import matplotlib.pyplot as p
聚类分析又称群分析，它是研究（样品或指标）分类问题的一种统计分析方法，同时也是数据挖掘的一个重要算法。聚类分析以相似性为基础，在一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性。 实现聚类分析的计算方法称为聚类算法，在机器学习中是涉及对数据进行分组的一种算法，即在给定的数据集中，我们通过聚类算法将其分成一些不同的组。在理论上，相同的组的数据之间有相同的属性或者是特征，不同组数据之间的属性或者特征相差就会比较大。聚类算法是一种非监督学习算法，并且作为一种常用的数据分析算法在很多领域上
contour：轮廓，等高线。等高线是三维图像在二维空间的投影。
contourf([X, Y,] Z, [levels], **kwargs)
contour([X, Y,] Z, [levels], **kwargs)
contour函数绘制三维图像到二维图像所对应的等高线，而contourf函数也是绘制等高线，只不过contourf是带填充的等高线。这两个函数的参数都是一样的。
参数X、Y表示等高线的坐标，Z表示等高线的高度，也就是坐标点(x, y)对应的高度h。
如果
np.vstack()：在竖直方向上堆叠。
np.hstack()：在水平方向上平铺。
import numpy as np
arr1 = np.array([1,2,3])
arr2 = np.array([4,5,6])
print(np.vstack((arr1,arr2)))
print(‘——————‘)
print(np.hstack((arr1,arr2)))
import numpy as np
arr1 = np
numpy中的ravel函数的作用是让多维数组变成一维数组。
import numpy as np
# 对二维数组进行reval
a = np.array([[1, 2, 3], [4, 5, 6]])
print(“二维数组a:”)
b=a.ravel()
#对a进行拉伸操作
print(“对a进行ravel操作后：”)
print(b)
# 对三维数组进行reval
c = np.array([ [[1, 2, 3], [4, 5, 6]], [[7,
A、B、C、D、E、F是6个网格点，坐标如图，如何用矩阵形式（坐标矩阵）来批量描述这些点的坐标呢？
语法：X,Y = numpy.meshgrid(x, y)
输入的x，y，就是网格点的横纵坐标列向量（非矩阵）。
输出的X，Y，就是坐标矩阵。
import numpy as np
import matplotlib.pyplot as plt
x = np.array([0, 1, 2])
y = np.array([0, 1])
X, Y = np.
支持向量机（Support Vector Machine，SVM）是一类按监督学习（supervised learning）方式对数据进行二元分类的广义线性分类器（generalized linear classifier），其决策边界是对学习样本求解的最大边距超平面（maximum-margin hyperplane）。
SVM使用铰链损失函数（hinge loss）计算经验风险（empirical risk）并在求解系统中加入了正则化项以优化结构风险（structural risk），是