【人工智能】教你如何让 AI 赢得贪吃蛇游戏----强化学习(初探)

news2024/12/25 9:02:48

人工智能--AI贪吃蛇,每一个代码都有详细的注释,希望多多收藏,点赞,评论

    • 1.前言:训练ai玩游戏的可行性
    • 2.代码实现思路:
    • 3.代码完整实现
      • 3.1 Game Game.py 完整实现
        • 3.1.1 安装pygame库
        • 3.1.2 编写游戏逻辑代码
      • 3.2 神经网络 network.py 完整实现
        • 3.2.1 安装tensorflow库
        • 3.2.2 network.py 代码
      • 3.3 训练AI GameAI.py 完整实现
        • 3.3.1 GameAI.py完整代码
    • 4.开始训练
      • 阶段一:前期吃到几个食物,得到较为少的吃食物的策略
      • 阶段二:几轮下来,得到一条比较优化的吃食物的路径
      • 阶段三:碰撞惩罚几轮下来,会避开自己的身体
      • 最终阶段:一天调下来,最好的一次

最近刷知乎看到了一个训练贪吃蛇的视频,自己也想实现一下(正好完成人工智能最后的大作业)。
在网上搜索了好久,也没看见一个完整的代码,只能靠自己了,
所以,冻手,冻手...........
↓↓↓↓↓↓↓↓↓理论部分↓↓↓↓↓↓↓↓↓

1.前言:训练ai玩游戏的可行性

首先,先去了解了一下其实现的原理:
 训练AI玩游戏的原理是通过机器学习算法和大量的数据来构建一个智能体,并通过这个智能体与游戏环境的交互来不断提升其能力。通常采用的方法是强化学习,即让AI与游戏环境进行互动,通过给予奖励和惩罚的方式,让AI不断学习游戏规则和技能,并逐渐提升它在游戏中的表现。

机器学习我学过,但是出现了一个新的词汇“强化学习”,,嗯,,,,再去了解。

漫长的So和科普视频之后:
我的总结:

强化学习=神经网络+奖励机制+状态机制

简单画一下实现原理:

利用本文要实现的例子,解释强化学习流程就是:
  在AI贪吃蛇中,状态机制可以根据当前游戏状态来定义AI玩家的行为规则,例如在没有食物的情况下,AI玩家会随机移动,一旦发现食物,就会向食物移动。强化学习则通过奖惩机制来调整AI玩家的行为,例如吃到食物得到正数奖励,碰到自己身体或墙壁则得到负数惩罚。通过这种方式,AI玩家可以逐渐学习到在游戏中的最佳行为,并提高游戏表现水平。

↓↓↓↓↓↓↓↓↓理论存在,实践开始↓↓↓↓↓↓↓↓↓↓

2.代码实现思路:

3.代码完整实现

3.1 Game Game.py 完整实现

代码结构:

class Snake:
	def __init__(self)		    	
		# 初始化蛇的属性。
		pass
		
	def get_head_position(self)     
		# 获取蛇头的位置。
		pass
		
    def turn(self, point) 			
  	    # 改变蛇的移动方向。
		pass
			    
    def move(self)    				
   	    # 移动蛇的位置。
		pass
		
	def reset(self)                
		# 重新开始游戏。
 		pass
		
    def draw(self, surface)         
    	# 在窗口上绘制蛇。
		pass
		    

class Food:
    def __init__(self):
        # 初始化食物的属性。
      	pass

    def get_position(self):
        # 获取食物的位置。
        pass

    def draw(self, surface):
        # 在窗口上绘制食物。
        pass

3.1.1 安装pygame库

在命令行下输入以下命令:

	pip install pygame

3.1.2 编写游戏逻辑代码

import pygame
import sys
import random

# 定义常量
SCREEN_WIDTH = 800
SCREEN_HEIGHT = 600
POP_SIZE = 10
BLOCK_SIZE = 20

# 定义颜色
BLACK = (0, 0, 0)
WHITE = (255, 255, 255)
GREEN = (0, 255, 0)
RED = (255, 0, 0)


class Snake:
    # 初始化()
    # 初始化蛇的长度(length),蛇的位置(positions),蛇的移动方向(direction),蛇的颜色(color = Green)
    def __init__(self):
        self.length = 3
        self.positions = [(SCREEN_WIDTH / 2, SCREEN_HEIGHT / 2)]
        self.direction = random.choice([(0, 1), (0, -1), (1, 0), (-1, 0)])
        self.color = GREEN

    # 获得蛇头的坐标()
    def get_head_position(self):
        return self.positions[0]

    # 改变蛇移动方向(point:改变方向)
    #   如果改变的方向和蛇的原方向相反,则蛇的方向不改变
    #   否则,改变蛇的移动方向
    def turn(self, point):
        if (point[0] * -1, point[1] * -1) == self.direction:
            return
        else:
            self.direction = point

    # 移动()
    #   根据当前方向计算下一个位置
    def move(self):
        cur = self.get_head_position()
        x, y = self.direction
        new = ((cur[0] + (x * BLOCK_SIZE)) % SCREEN_WIDTH, (cur[1] + (y * BLOCK_SIZE)) % SCREEN_HEIGHT)
        self.positions.insert(0, new)
        if len(self.positions) > self.length:
            self.positions.pop()

    # 重新开始()
    def reset(self):
        self.length = 3
        self.positions = [(SCREEN_WIDTH / 2, SCREEN_HEIGHT / 2)]
        self.direction = random.choice([(0, 1), (0, -1), (1, 0), (-1, 0)])

    # 画蛇(surface:窗口对象)
    #   遍历蛇身的位置,将其画在画布上
    def draw(self, surface):
        for p in self.positions:
            r = pygame.Rect((p[0], p[1]), (BLOCK_SIZE, BLOCK_SIZE))
            pygame.draw.rect(surface, self.color, r)
            pygame.draw.rect(surface, BLACK, r, 1)


class Food:
    # 初始化()
    #   初始化食物的位置(position)和颜色(color = RED)
    def __init__(self):
        x = random.randrange(0, SCREEN_WIDTH, BLOCK_SIZE)
        y = random.randrange(0, SCREEN_HEIGHT, BLOCK_SIZE)
        self.position = (x, y)
        self.color = RED

    # 获得食物的坐标()
    def get_position(self):
        return self.position

    # 画食物(surface:窗口对象)
    #   将食物画在画布上
    def draw(self, surface):
        r = pygame.Rect((self.position[0], self.position[1]), (BLOCK_SIZE, BLOCK_SIZE))
        pygame.draw.rect(surface, self.color, r)
        pygame.draw.rect(surface, BLACK, r, 1)

3.2 神经网络 network.py 完整实现

这里,详细讲DQN(Deep Q-learning)算法原理与实现:

你使用的是两个神经网络:目标模型(target model)和当前模型(current model)。

目标模型是一个辅助网络,用于计算每个状态下可能的最大累积奖励。它的作用是提供一个参考目标,帮助你的当前模型更好地学习和更新。它不会被直接用于决策,而是在一定的时间间隔内从当前模型复制得到。

当前模型是你的主要神经网络,用于根据当前状态估计每个动作的Q值。它根据你的导师提供的奖励和记忆库中的经验进行训练,并逐渐改进对Q值函数的估计。

这个Q值的计算公式是

Q ( s , a ) = R ( s , a ) + γ ∗ m a x [ Q ( s ′ , a ′ ) ] Q(s, a) = R(s, a) + γ * max[Q(s', a')] Q(s,a)=R(s,a)+γmax[Q(s,a)]
其中,

  • Q(s, a) 表示在状态 s 下采取动作 a 的Q值。
  • R(s, a) 表示在状态 s 下采取动作 a 后获得的即时回报(即奖励)。
  • γ 是折扣因子(discount factor),用于平衡当前奖励与未来奖励的重要性。
  • max[Q(s’, a’)] 表示在下一个状态 s’ 下所有可能的动作 a’ 中,选择具有最高Q值的动作。

Q值的公式表示了一个动作值函数的递归关系,通过不断迭代更新Q值,智能体可以学习到在不同状态下选择最优动作的策略。
γ值一般取[0,1]之间的数,γ值越大,代表的是ai的目光越长远。越容易训练出一个懂大局关的ai,但是训练时间会变长

在每个游戏步骤中,你观察当前状态并根据当前模型选择一个动作。你执行这个动作,然后观察奖励和下一个状态。你将这些经验存储到记忆库中,并从中随机抽样一批经验来进行训练。

3.2.1 安装tensorflow库

在命令行中输入以下命令来安装TensorFlow:

	pip install tensorflow

3.2.2 network.py 代码

import numpy as np
from tensorflow import keras
from collections import deque


class SnakeAI:
    def __init__(self, buffer_size=1000, batch_size=32):
        # 设置参数
        self.gamma = 0.99  # 折扣因子
        self.input_size = 12  # 输入状态的维度
        self.output_size = 4  # 输出动作的维度
        self.hidden_size = 100  # 隐藏层大小
        self.discount_factor = 0.99  # 训练目标的折扣因子

        # 创建神经网络模型
        self.model = self.build_model()  # 当前策略网络
        self.target_model = self.build_model()  # 目标策略网络
        self.model.compile(optimizer='adam', loss='mse')  # 编译模型
        self.target_model.compile(optimizer='adam', loss='mse')  # 编译目标模型

        # 经验回放缓冲区
        self.buffer = deque(maxlen=buffer_size)

        self.batch_size = batch_size

    def build_model(self):
        # 构建神经网络模型
        model = keras.Sequential()
        model.add(keras.layers.Dense(self.hidden_size, input_dim=self.input_size, activation='relu'))
        model.add(keras.layers.Dense(self.hidden_size, activation='relu'))
        model.add(keras.layers.Dense(self.hidden_size, activation='relu'))
        model.add(keras.layers.Dense(self.output_size, activation='linear'))
        return model

    def get_action(self, state):
        # 根据当前状态选择动作
        state = np.reshape(state, [1, self.input_size])
        q_values = self.model.predict(state)
        return np.argmax(q_values[0])

    def train_model(self):
        # 使用经验回放进行模型训练
        if len(self.buffer) < self.batch_size:
            return

        # 从经验回放缓冲区中随机采样一个批次的数据
        batch_indices = np.random.choice(len(self.buffer), self.batch_size, replace=False)
        batch = [self.buffer[idx] for idx in batch_indices]

        # 解析批次数据
        states = np.array([sample[0] for sample in batch])
        actions = np.array([sample[1] for sample in batch])
        rewards = np.array([sample[2] for sample in batch])
        next_states = np.array([sample[3] for sample in batch])
        dones = np.array([sample[4] for sample in batch])

        # 计算训练目标
        targets = rewards + self.gamma * np.amax(self.model.predict_on_batch(next_states), axis=1) * (1 - dones)
        target_vec = self.model.predict_on_batch(states)
        indexes = np.array([i for i in range(self.batch_size)])
        target_vec[[indexes], [actions]] = targets

        # 使用批次数据训练模型
        self.model.fit(states, target_vec, epochs=1, verbose=0)

    def update_target_model(self):
        # 更新目标策略网络的权重
        self.target_model.set_weights(self.model.get_weights())

    def add_experience(self, state, action, reward, next_state, done):
        # 将经验添加到经验回放缓冲区中
        self.buffer.append((state, action, reward, next_state, done))

3.3 训练AI GameAI.py 完整实现

惩罚机制(Reward System):

  • 如果蛇连续直线移动超过一定步数,则给予一个小的惩罚,旨在鼓励蛇不要长时间保持直线移动。
  • 如果蛇碰撞到自身的身体,则给予一个较大的负向奖励,表示碰撞到自身是一个严重的错误。
  • 如果蛇吃到食物,则给予一个较大的正向奖励,表示吃到食物是一个良好的行为。
  • 如果蛇离食物更近了(下一步的距离比当前步更近),则给予一个较小的正向奖励,表示靠近食物是一个好的策略。
  • 其他情况下,给予一个小的负向奖励,旨在鼓励蛇尽量避免与自身碰撞和离食物较远。

状态表示(State Representation):

  • 朝左、朝右、朝上、朝下四个方向是否有障碍物,用布尔值表示,其中障碍物指的是蛇的身体。
  • 食物相对于蛇的位置关系,包括食物在蛇的左侧、右侧、上方、下方四个方向,用布尔值表示。
  • 蛇当前的移动方向,分别表示蛇朝左、朝右、朝上、朝下四个方向,用布尔值表示。

3.3.1 GameAI.py完整代码

import pygame
import numpy as np

from game import Snake, Food, SCREEN_WIDTH, SCREEN_HEIGHT, BLOCK_SIZE, POP_SIZE, WHITE
from network import SnakeAI

# 初始化pygame
pygame.init()
font = pygame.font.SysFont('comics', 30)


class Game:
    # 初始化()
    #   初始化屏幕大小(screen),刷新率(clock),蛇(snake),食物(food),要训练的ai(ai_player),
    #       载入已训练的模型(model.load_weights),成绩列表(scores),最好成绩(best_score),步数计数器(i)
    def __init__(self, buffer_size=1000, batch_size=32):
        self.screen = pygame.display.set_mode((SCREEN_WIDTH, SCREEN_HEIGHT))
        self.clock = pygame.time.Clock()
        self.snake = Snake()
        self.food = Food()
        self.ai_player = SnakeAI(buffer_size, batch_size)
      #  self.ai_player.model.load_weights('best_weights.h5') 有了在打开
        self.scores = []
        self.best_score = 0
        self.i = 0

    # 更新模型和蛇的行动()
    #   根据当前状态state--model-->获得选择动作action,更新屏幕--奖励机制-->获得奖励,放入经验回放缓冲区--->使用经验回放训练模型
    def update(self, ai_player, tran_i):
        state = self.get_state()  # 获取当前状态
        action = ai_player.get_action(state)  # 根据当前状态选择动作
        v_a = self.snake.direction  # 记录原来的移动方向
        v_b = self.get_direction(action)  # 根据动作得到新的移动方向
        self.snake.turn(self.get_direction(action))  # 改变蛇的移动方向

        # 判断是否执行了无效转向和转向,若是则重置连续直线步数计数器
        if v_a != v_b and (v_a[0]*-1,v_a[1]*-1) != v_b:
            self.i = 0

        distances = np.sqrt(np.sum((np.array(self.snake.get_head_position()) - np.array(self.food.position)) ** 2))
        self.snake.move()  # 移动蛇的位置
        done = False

        if self.snake.get_head_position() == self.food.position:
            self.snake.length += 1
            self.food = Food()

        if self.is_collision():
            self.scores.append(self.snake.length)
            done = True

        next_state = self.get_state()  # 获取下一个状态
        reward = self.get_reward(done, distances, tran_i)  # 根据游戏情况计算奖励
        ai_player.add_experience(state, action, reward, next_state, done)  # 将经验添加到经验回放缓冲区
        ai_player.train_model()  # 使用经验回放训练模型
        return done

    def get_direction(self, action):
        # 根据动作索引获取移动方向
        if action == 0:
            return 0, -1
        elif action == 1:
            return 0, 1
        elif action == 2:
            return -1, 0
        else:
            return 1, 0

    def is_collision(self):
        # 判断蛇是否发生碰撞(头部位置是否与身体的其他部分重叠)
        return self.snake.get_head_position() in self.snake.positions[1:]

    def get_reward(self, done, distances, tran_i):
        distances_2 = np.sqrt(np.sum((np.array(self.snake.get_head_position()) - np.array(self.food.position)) ** 2))
        reward = 0
        if tran_i > 50:
            reward -= 0.1  # 连续直线20步之后,给与较小的惩罚()
        if done:
            reward -= 20  # 如果碰撞到自己的身体,则给一个大的负向奖励
        elif self.snake.get_head_position() == self.food.position:
            reward += 10  # 如果蛇吃到食物,则给予一个较大的正向奖励
        elif distances_2 < distances:
            reward += 0.2  # 鼓励蛇靠近食物,给与正向奖励
        else:
            reward -= 0.1   # 惩罚蛇
        return reward

    def get_state(self):
        head = self.snake.get_head_position()
        food = self.food.position

        left = (head[0] - BLOCK_SIZE, head[1])
        right = (head[0] + BLOCK_SIZE, head[1])
        up = (head[0], head[1] - BLOCK_SIZE)
        down = (head[0], head[1] + BLOCK_SIZE)

        state = [
            # 朝左方向是否有障碍物
            (left in self.snake.positions[1:]),
            # 朝右方向是否有障碍物
            (right in self.snake.positions[1:]),
            # 朝上方向是否有障碍物
            (up in self.snake.positions[1:]),
            # 朝下方向是否有障碍物
            (down in self.snake.positions[1:]),

            # 食物是否在蛇的左侧
            food[0] < head[0],
            # 食物是否在蛇的右侧
            food[0] > head[0],
            # 食物是否在蛇的上方
            food[1] < head[1],
            # 食物是否在蛇的下方
            food[1] > head[1],

            # 蛇的朝向是否朝左
            self.snake.direction == (0, -1),
            # 蛇的朝向是否朝右
            self.snake.direction == (0, 1),
            # 蛇的朝向是否朝上
            self.snake.direction == (-1, 0),
            # 蛇的朝向是否朝下
            self.snake.direction == (1, 0),
        ]

        return np.asarray(state, dtype=np.float32)

    # 主流程()
    #   初始化各个参数,进入游戏循环,直至游戏结束,实时保存模型参数
    def run(self):
        for _ in range(POP_SIZE):
            self.snake.reset()
            self.food = Food()
            done = False
            score = 0
            while not done:
                for event in pygame.event.get():
                    if event.type == pygame.QUIT:
                        pygame.quit()
                        quit()
                self.i += 1
                done = self.update(ai_player=self.ai_player, tran_i=self.i)
                if done:
                    break
                score = self.snake.length
                self.screen.fill(WHITE)
                self.snake.draw(self.screen)
                self.food.draw(self.screen)
                pygame.display.update()
                self.clock.tick(10000)

            self.ai_player.model.save_weights('best_weights.h5')
            self.best_score = score


game = Game(buffer_size=10000, batch_size=64)
game.run()

4.开始训练

推荐,多准备几套惩罚机制。比如:

前期惩罚机制(Reward System):

  1. 如果蛇连续直线移动超过一定步数(这里是50步),则给予一个小的惩罚,即reward减去0.1,旨在鼓励蛇不要长时间保持直线移动。
  2. 如果蛇碰撞到自身的身体,则给予一个较大的负向奖励,即reward减去20,表示碰撞到自身是一个严重的错误。
  3. 如果蛇吃到食物,则给予一个较大的正向奖励,即reward加上10,表示吃到食物是一个良好的行为。
  4. 如果蛇离食物更近了(下一步的距离比当前步更近),则给予一个较小的正向奖励,即reward加上 1-(300-distances_2)/300 ,表示靠近食物是一个好的策略。
  5. 其他情况下,给予一个小的负向奖励,即reward减去0.1,旨在鼓励蛇尽量避免与自身碰撞和离食物较远。

提示:将第4条中的1修改为较高的数值(比如2),能在模型前期不稳定的情况下更快的找到食物。如果在前期遇到了小蛇怎么都吃不到食物,或者进入了死循环(一直直线行动),放弃吧,此时的小蛇找到了一条摆烂也能拿奖励的路线,请立即重新开始训练,当小蛇能吃到第一枚食物,就能打破僵局。
请添加图片描述
中期惩罚机制(Reward System):

  1. 如果蛇连续直线移动超过一定步数(这里是50步),则给予一个小的惩罚,即reward减去0.1,旨在鼓励蛇不要长时间保持直线移动。。
  2. 如果蛇碰撞到自身的身体,则给予一个较大的负向奖励,即reward减去20,表示碰撞到自身是一个严重的错误。
  3. 如果蛇吃到食物,则给予一个较大的正向奖励,即reward加上10,表示吃到食物是一个良好的行为。
  4. 如果蛇离食物更近了(下一步的距离比当前步更近),则给予一个较小的正向奖励,即reward加上 2-(300-distances_2)/300 ,表示靠近食物是一个好的策略。
  5. 其他情况下,给予一个小的负向奖励,即reward减去0.1,旨在鼓励蛇尽量避免与自身碰撞和离食物较远。

提示:此时ai的可能已经找到一种吃食物的策略,但是还是比较单一,想要打破僵局,可以将第一条的惩罚0.1修改为0.5左右,50步可以修改成30步左右,第4条的2修改成1,去鼓励蛇在有限的步长内拿到食物。

阶段一:前期吃到几个食物,得到较为少的吃食物的策略

-	平移:不断左拐+平移,拿到食物,现在ai吃食物的策略还是比较单一,不急,我们多训练几轮

阶段二:几轮下来,得到一条比较优化的吃食物的路径

-	平移:直直的左拐+平移,拿到食物,现在ai吃食物的策略已经是一条效率蛮不错的路线了

阶段三:碰撞惩罚几轮下来,会避开自己的身体

- 平移+左拐+改变原路径(防碰撞),拿到食物,现在ai可以躲避自己的身体,但是吃食物的效率还是不高,主要原因是策略太少。

这时候可以适当的调整惩罚策略,以便打破僵局(这里指的是策略太少)

接下来的步骤就是 调参,训练, 调参,训练 (感觉能不调就不调,如果真的僵局了,在调整)

最终阶段:一天调下来,最好的一次

- 左+右+防碰撞+平移,拿到食物,ai有几种不错的策略取拿到食物,并且保持存活。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/686811.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

Sangfor华东天勇战队:某咖啡还原密钥

最近学习了密钥还原&#xff0c;复现下并记录思路 function wbaes_encrypt_ecb(){var module_base Module.findBaseAddress("libcryptoDD.so")var func_base module_base.add(0x17BD41)Interceptor.attach(func_base,{onEnter:function (args){console.log("E…

风控引擎如何快速接入不同的数据源?

目录 数据是风控引擎的重要组成 风控引擎的数据接入 风控引擎是一种基于数据分析和机器学习算法的系统&#xff0c;能够实时识别和处理各种风险问题&#xff0c;适用于金融、电商、智能制造、交通运输等各领域&#xff0c;能够提高企业的风险管理水平和业务效率。 风控引擎主…

我心中的TOP1编程语言—JavaScript

作为一名研发工程师&#xff08;程序员&#xff09;&#xff0c;平时工作中肯定会接触或了解很多编程语言。每个人都会有自己工作中常用的语言&#xff0c;也会有偏爱的一些编程语言。而我心中的最爱&#xff0c;毫无疑问&#xff0c;就是 JavaScript。 JavaScript 是一门编程…

23. 数据结构之位图

前言 之前在讲散列表的时候&#xff0c;提到过位图的概念。位图&#xff08;Bitmap&#xff09;作为一种特殊的数据结构&#xff0c;它使用一系列位来表示数据&#xff0c;每个位只有两个状态&#xff08;0或1&#xff09;。由于它的高效性和节省空间的特性&#xff0c;位图在…

SpringBoot的配置环境属性

SpringBoot的配置环境属性 在本文中&#xff0c;我们将讨论SpringBoot的配置环境属性。我们将了解如何使用这些属性来配置我们的应用程序&#xff0c;以便在不同的环境中运行。我们还将了解如何使用SpringBoot的配置文件来管理这些属性。最后&#xff0c;我们将介绍一些最佳实…

java的嵌套类(nested class)、内部类(inner class)的区别

嵌套类即nested class&#xff0c;内部类即Inner class。 概括来说&#xff0c;嵌套类的概念比内部类概念大。嵌套类包含内部类和非内部类。一个内部类一定是一个嵌套类&#xff0c;但一个嵌套类不一定是一个内部类。 在一个类内部或者接口内部声明的类是嵌套类。 下面这些类是…

《Java面向对象程序设计教程》课后编程题

文章目录 第 1 章 Java 概述第 2 章 Java 语言基础第 3 章 Java 面向对象编程第 4 章 Java 图形用户界面程序设计第 5 章 Applet 设计第 6 章 Java 输入输出流与文件操作第 7 章 Java 的多线程机制第 9 章 常用工具类与集合框架 第 1 章 Java 概述 试编写 Java 程序&#xff0…

Android studio新建项目运行遇到的问题

文章目录 The emulator process for AVD xxx has terminated原因&#xff08;环境变量问题&#xff09;解决其他原因 新建的练习项目更改SDK默认位置更改方法 The emulator process for AVD xxx has terminated 运行虚拟机时报此错误 原因&#xff08;环境变量问题&#xff0…

555 timer circuit

#1, Block & principle 1.1&#xff0c; The threshold and trigger levels normally are two- thirds and one-third, respectively, of VCC.(分压&#xff09; 1.2&#xff0c;These levels can be altered by use of the control-voltage terminal. When the trigger in…

生成式 AI:通信服务提供商云转型的下一阶段

【本文由Cloud Ace 整理发布。Cloud Ace 是谷歌云全球战略合作伙伴&#xff0c;拥有 300 多名工程师&#xff0c;也是谷歌最高级别合作伙伴&#xff0c;多次获得 Google Cloud 合作伙伴奖。作为谷歌托管服务商&#xff0c;我们提供谷歌云、谷歌地图、谷歌办公套件、谷歌云认证培…

spring boot引入swagger报错处理

目录 1. 报错说明 2. 查找原因 2.1 此前笔者的代码 3. 问题解决说明 4. 解决方案 4.1 在pom.xml引入springdoc包 4.2 创建配置文件&#xff08;可省略&#xff09; 4.3 在controller加入注解 4.4 查看接口文档 4.5 常用注解 1. 报错说明 在java项目中引入swagger 2.9.2…

Linux设置进程名称(标题) ( 7) -【Linux通信架构系列 】

系列文章目录 C技能系列 Linux通信架构系列 C高性能优化编程系列 深入理解软件架构设计系列 高级C并发线程编程 期待你的关注哦&#xff01;&#xff01;&#xff01; 现在的一切都是为将来的梦想编织翅膀&#xff0c;让梦想在现实中展翅高飞。 Now everything is for the…

技术管理三板斧之第一板斧拿结果-定目标

一、现状&#xff1a; 去年年底今年年初&#xff0c;帮助一家公司做了一次大的系统重构&#xff0c;30多小伙伴&#xff0c;经历一次洗礼&#xff0c;对产品定位&#xff0c;技术选型&#xff0c;目标制定&#xff0c;任务分配&#xff0c;协同开发&#xff0c;测试上线&#x…

JS 启动一个计时器来跟踪某一个操作的占用时长

文章目录 需求分析代码 需求 JS 中想要记录一个操作的占用时长 分析 可以启动一个计时器console.time(name:string)来跟踪某一个操作的占用时长。每一个计时器必须拥有唯一的名字&#xff0c;页面中最多能同时运行 10,000 个计时器。 当以此计时器名字为参数调用 console.timeE…

蓝桥杯专题-试题版-【龟兔赛跑预测】【回形取数】【阶乘计算】【矩形面积交】

点击跳转专栏>Unity3D特效百例点击跳转专栏>案例项目实战源码点击跳转专栏>游戏脚本-辅助自动化点击跳转专栏>Android控件全解手册点击跳转专栏>Scratch编程案例点击跳转>软考全系列点击跳转>蓝桥系列 &#x1f449;关于作者 专注于Android/Unity和各种游…

计算机的性能指标

计算机的主要性能指标: 机器字长: 指参与运算的基本数位, 它是由加法器, 寄存器的数位决定的, 所以及其资产一般等于内部寄存器的大小 数据路通宽度: 数据总线一次能够并行传送信息的位数, 这里所说的数据通路宽度实际是指外部数据总线的宽度 主存容量: 一个存储器所能存储的…

C语言王国探险记之常量的四大护卫

王国探险记系列 文章目录&#xff08;3&#xff09; 前言 一、常量是什么&#xff1f; 二、常量的第一护卫&#xff1a;字面常量 1.什么是字面常量? 三、常量的第二护卫&#xff1a;const修饰的常变量 1.什么是const修饰的常变量? 2&#xff0c;证明const修饰的常变量…

nginx部署多个前端项目

前端采用vue框架&#xff0c;主要介绍在同一个ipport下&#xff08;或域名&#xff09;&#xff0c;通过访问不同的子路径部署多个项目 把前端打包好的项目直接放进 nginx/html 目录下面&#xff0c; 下面展示根据不同的路由模式的nginx配置&#x1f447; 路由采用hash模式 浏…

基于深度学习YOLOv5电动车头盔佩戴检测设计毕业设计

wx供重浩&#xff1a;创享日记 对话框发送&#xff1a;625头盔 获取完整源码源文件标注好的数据集(在源码文件夹->yolov5-5.0->VOCdevkit)优秀论文答辩PPT及文稿等 设计总说明 在许多非机动车交通事故中&#xff0c;未佩戴头盔是造成驾驶人受伤或死亡的主要原因&#xf…

永磁电机中的磁钢

稀土永磁最大的应用领域就是永磁电机&#xff0c;电机俗称马达&#xff0c;广义上的电机包含了将电能转换成机械能的电动机&#xff0c;和将机械能转换成电能的发电机&#xff0c;不管是电动机还是发电机&#xff0c;都是利用电磁感应定律或电磁力定律作为基础原理的电气设备。…