游戲AI的創造思路-技術基礎-強化學習（2）

上一篇中引出了深度強化學習這個大坑，本篇淺淺填一下~~~~

目錄

6. 深度強化學習概述

6.1. 基本概念

6.2. 發展歷史

6.3. 基本公式

6.4. Python實現

6.5. 運行原理

6.5.1. 核心要素

6.5.2. 運行原理

6.5.3. 典型算法

6.5.4. Python實現代碼

6.6. 優缺點

6.6.1. 優點

6.6.2. 缺點

6.7. 游戲AI中的應用實例

6. 深度強化學習概述

6.1. 基本概念

深度強化學習（Deep Reinforcement Learning, DRL）是強化學習（Reinforcement Learning, RL）與深度學習（Deep Learning）的結合。

在強化學習中，智能體（Agent）通過與環境（Environment）的交互來學習如何完成任務。

它通過學習策略（Policy）來最大化從環境中獲得的累積獎勵（Reward）。

深度學習在這里用于估計策略或值函數（Value Function），使得強化學習能夠在高維空間（如圖像或語音）中進行有效的決策。

6.2. 發展歷史

深度強化學習的發展可以追溯到2013年DeepMind發表的DQN（Deep Q-Network）論文，該論文首次展示了深度學習模型可以在強化學習任務中成功應用，并實現了在Atari游戲上的超人類表現。

此后，DRL在AlphaGo等項目中大放異彩，進一步推動了其研究和應用。

6.3. 基本公式

  1. 策略（Policy）：π(a|s)，表示在狀態s下采取動作a的概率。
  2. 狀態值函數（State Value Function）：Vπ(s)，表示從狀態s開始，遵循策略π的期望回報。
  3. 動作值函數（Action Value Function）：Qπ(s, a)，表示在狀態s下采取動作a，然后遵循策略π的期望回報。
  4. 貝爾曼方程（Bellman Equation）：
    • Vπ(s) = E[R(s,a) + γVπ(s') | s0=s]
    • Qπ(s, a) = E[R(s,a) + γmax_a' Qπ(s', a') | s0=s, a0=a]

其中，R是獎勵，γ是折扣因子，s'是下一個狀態。

6.4. Python實現

以下是一個簡單的深度Q網絡實現示例，使用PyTorch框架：

import torch  
import torch.nn as nn  
import torch.optim as optim  
import numpy as np  
import random  class DQN(nn.Module):  def __init__(self, input_size, output_size):  super(DQN, self).__init__()  self.fc1 = nn.Linear(input_size, 24)  self.fc2 = nn.Linear(24, 24)  self.fc3 = nn.Linear(24, output_size)  def forward(self, x):  x = torch.relu(self.fc1(x))  x = torch.relu(self.fc2(x))  return self.fc3(x)  class Agent:  def __init__(self, input_size, output_size):  self.network = DQN(input_size, output_size)  self.optimizer = optim.Adam(self.network.parameters(), lr=0.001)  self.loss_fn = nn.MSELoss()  self.replay_memory = []  self.gamma = 0.99  self.epsilon = 1.0  self.epsilon_decay = 0.995  self.epsilon_min = 0.01  def act(self, state):  if random.random() < self.epsilon:  return random.randint(0, output_size-1)  else:  with torch.no_grad():  return self.network(state).argmax().item()  def replay(self, batch_size):  minibatch = random.sample(self.replay_memory, batch_size)  states, actions, rewards, next_states, dones = zip(*minibatch)  states = torch.tensor(states)  actions = torch.tensor(actions)  rewards = torch.tensor(rewards)  next_states = torch.tensor(next_states)  dones = torch.tensor(dones)  q_vals = self.network(states).collect()  next_q_vals = self.network(next_states).max(dim=1)[0].detach()  expected_q_vals = rewards + self.gamma * next_q_vals * (1 - dones)  loss = self.loss_fn(q_vals[range(len(actions)), actions], expected_q_vals)  self.optimizer.zero_grad()  loss.backward()  self.optimizer.step()  self.epsilon = max(self.epsilon_min, self.epsilon * self.epsilon_decay)  # 實例化環境、代理等，并運行訓練循環

6.5. 運行原理

在游戲AI中，DRL允許AI智能體通過與環境互動，學習并優化其行為策略，以最大化累積獎勵。

6.5.1. 核心要素

DRL的核心要素包括：

  1. 智能體（Agent）：執行動作的主體，通過與環境互動來學習。
  2. 環境（Environment）：智能體所處的外部世界，可以是游戲世界、物理模擬器或現實世界的一部分。
  3. 狀態（State）：環境的當前快照，包含智能體決策所需的所有信息。
  4. 動作（Action）：智能體在特定狀態下可以采取的行為。
  5. 獎勵（Reward）：環境對智能體動作的反饋，用于衡量動作的好壞。
  6. 策略（Policy）：從狀態到動作的映射，指導智能體在給定狀態下應采取何種動作。

6.5.2. 運行原理

  1. 觀察（Observations）：智能體在每個時間步驟上從環境中獲取狀態信息。
  2. 選擇動作（Action Selection）：根據當前狀態和策略選擇執行的動作。
  3. 執行動作（Action Execution）：智能體執行選定的動作，環境狀態隨之改變。
  4. 接收獎勵（Reward Reception）：環境根據智能體的動作給出獎勵信號。
  5. 更新策略（Policy Update）：智能體根據獎勵信號更新其策略，以最大化累積獎勵。

6.5.3. 典型算法

在游戲AI中，常用的DRL算法包括：

  1. 深度Q網絡（DQN）：使用神經網絡來近似Q值函數，通過迭代更新Q值來學習最優策略。
  2. 策略梯度方法（Policy Gradient Methods）：直接優化策略函數，如PPO（Proximal Policy Optimization）算法，通過最小化目標策略和原策略的對數似然差來優化策略。
  3. Actor-Critic方法：結合值函數和策略函數，一方面估計狀態-動作值函數，另一方面優化策略函數，如DDPG（Deep Deterministic Policy Gradient）算法。

6.5.4. Python實現代碼

?下面是一個簡化的Python代碼示例，展示了游戲AI使用深度強化學習的完整運行原理。這個例子使用了一個非常簡單的環境（比如一個格子世界），智能體（Agent）的目標是移動到這個格子的終點。我們將使用DQN（深度Q網絡）作為我們的強化學習算法。

import numpy as np  
import random  
from collections import deque  
from keras.models import Sequential  
from keras.layers import Dense  
from keras.optimizers import Adam  class DQNAgent:  def __init__(self, state_size, action_size):  self.state_size = state_size  self.action_size = action_size  self.memory = deque(maxlen=2000)  self.gamma = 0.95    # discount rate  self.epsilon = 1.0   # exploration rate  self.epsilon_min = 0.01  self.epsilon_decay = 0.995  self.learning_rate = 0.001  self.model = self._build_model()  def _build_model(self):  # Neural Net for Deep-Q learning Model  model = Sequential()  model.add(Dense(24, input_dim=self.state_size, activation='relu'))  model.add(Dense(24, activation='relu'))  model.add(Dense(self.action_size, activation='linear'))  model.compile(loss='mse',  optimizer=Adam(lr=self.learning_rate))  return model  def remember(self, state, action, reward, next_state, done):  self.memory.append((state, action, reward, next_state, done))  def act(self, state):  if np.random.rand() <= self.epsilon:  return random.randrange(self.action_size)  act_values = self.model(state)  return np.argmax(act_values[0])  # returns action  def replay(self, batch_size):  minibatch = random.sample(self.memory, batch_size)  for state, action, reward, next_state, done in minibatch:  target = reward  if not done:  target = (reward + self.gamma *  np.amax(self.model.predict(next_state)[0]))  target_f = self.model.predict(state)  target_f[0][action] = target  self.model.fit(state, target_f, epochs=1, verbose=0)  if self.epsilon > self.epsilon_min:  self.epsilon *= self.epsilon_decay  class GridEnvironment:  def __init__(self):  self.state_size = 10  # assuming a simple grid world of size 10  self.action_size = 4  # move left, right, up, down  def reset(self):  return np.array([0] * self.state_size)  # start state  def step(self, action, state):  # simple grid world logic  if action == 0:  # move left  next_state = np.array(state - 1 if state > 0 else 0)  elif action == 1:  # move right  next_state = np.array(state + 1 if state < self.state_size - 1 else self.state_size - 1)  # add more actions as needed...  reward = 1 if next_state == self.state_size - 1 else 0  # reward for reaching the end  done = True if next_state == self.state_size - 1 else False  return next_state, reward, done  # Initialize environment and agent  
env = GridEnvironment()  
agent = DQNAgent(env.state_size, env.action_size)  # Training loop  
batch_size = 32  
epochs = 1000  for e in range(epochs):  state = env.reset()  state = np.reshape(state, [1, env.state_size])  for time_t in range(50):  # max steps per epoch  action = agent.act(state)  next_state, reward, done = env.step(action, state[0])  reward = reward if not done else -10  # penalty for ending the game  next_state = np.reshape(next_state, [1, env.state_size])  agent.remember(state, action, reward, next_state, done)  state = next_state  if done:  print("epoch: {}/{}, score: {}, e: {:.2}"  .format(e, epochs, time_t, agent.epsilon))  break  if len(agent.memory) > batch_size:  agent.replay(batch_size)

這段代碼定義了一個簡單的格子世界環境和一個使用DQN的深度強化學習智能體。

智能體通過與環境互動來學習如何達到格子的終點，并在此過程中優化其策略。

代碼包括初始化環境和智能體、定義智能體的動作、對智能體動作的反饋獎勵、觀察、選擇動作、接收獎勵以及更新策略的所有步驟。

6.6. 優缺點

6.6.1. 優點

  1. 自主學習能力：DRL允許智能體通過與環境互動自主學習并優化策略，無需顯式編程復雜的規則。
  2. 適應性：能夠適應不同的環境變化，具有一定的泛化能力。
  3. 解決復雜任務：可以處理高維、非線性狀態和動作空間的問題，適用于復雜的游戲任務。
  4. 提高游戲體驗：通過模擬人類的學習過程，可以創造更有趣、更挑戰性的游戲。
  5. 發現創新策略：在游戲、機器人控制等領域，DRL能夠發現人類未曾預見的創新策略。

6.6.2. 缺點

  1. 訓練時間長：深度學習模型通常需要大量的樣本和計算資源，特別是對于復雜的任務，訓練可能非常耗時。
  2. 不穩定收斂：強化學習的回報往往不穩定，可能導致訓練過程不穩定或收斂困難。
  3. 解釋性較差：由于決策過程依賴于黑箱模型，理解模型如何做出決策有時較難。
  4. 過度擬合：沒有足夠的探索，模型可能會過度依賴已有的經驗，導致在新環境中表現不佳。
  5. 需要大量標注數據：盡管是無監督學習，但在某些領域仍需輔助指導，如預訓練的策略網絡。
  6. 倫理問題：在某些領域，如自動駕駛和金融交易中，DRL可能面臨倫理問題，如如何處理緊急情況、避免不當行為等。

6.7. 游戲AI中的應用實例

深度強化學習已被廣泛應用于各種游戲中，如Atari游戲、圍棋（AlphaGo）、星際爭霸II（AlphaStar）等。在這些應用中，DRL模型通過學習游戲中的策略，逐漸提高游戲水平，并最終達到或超過人類玩家的水平。

在實際應用中，需要根據具體游戲的特點設計狀態表示、獎勵函數等，以及選擇合適的DRL算法進行訓練。

以下是一個使用PyTorch實現的簡單深度Q網絡（DQN）代碼，用于訓練一個智能體在玩一個簡單的游戲（比如CartPole）時的策略。

請注意，為了運行此代碼，你需要先安裝gym和pytorch庫。

import gym  
import torch  
import torch.nn as nn  
import torch.optim as optim  
import random  
from collections import deque  class DQN(nn.Module):  def __init__(self, input_size, output_size):  super(DQN, self).__init__()  self.fc1 = nn.Linear(input_size, 24)  self.fc2 = nn.Linear(24, 24)  self.fc3 = nn.Linear(24, output_size)  def forward(self, x):  x = torch.relu(self.fc1(x))  x = torch.relu(self.fc2(x))  return self.fc3(x)  class Agent:  def __init__(self, state_size, action_size):  self.state_size = state_size  self.action_size = action_size  self.memory = deque(maxlen=2000)  self.model = DQN(state_size, action_size)  self.optimizer = optim.Adam(self.model.parameters(), lr=0.001)  self.loss_fn = nn.MSELoss()  self.gamma = 0.99  self.epsilon = 1.0  self.epsilon_decay = 0.995  self.epsilon_min = 0.01  def act(self, state):  if random.random() < self.epsilon:  return random.randint(0, self.action_size - 1)  else:  with torch.no_grad():  state = torch.FloatTensor(state).unsqueeze(0)  action_values = self.model(state)  return action_values.argmax().item()  def replay(self, batch_size):  if len(self.memory) < batch_size:  return  minibatch = random.sample(self.memory, batch_size)  state_batch, action_batch, reward_batch, next_state_batch, done_batch = zip(*minibatch)  state_batch = torch.FloatTensor(state_batch)  action_batch = torch.LongTensor(action_batch)  reward_batch = torch.FloatTensor(reward_batch)  next_state_batch = torch.FloatTensor(next_state_batch)  done_batch = torch.BoolTensor(done_batch)  q_vals = self.model(state_batch).collect()  next_q_vals = self.model(next_state_batch).max(dim=1)[0].detach()  expected_q_vals = reward_batch + self.gamma * next_q_vals * (1 - done_batch)  loss = self.loss_fn(q_vals[range(len(action_batch)), action_batch], expected_q_vals)  self.optimizer.zero_grad()  loss.backward()  self.optimizer.step()  self.epsilon = max(self.epsilon_min, self.epsilon * self.epsilon_decay)  def remember(self, state, action, reward, next_state, done):  self.memory.append((state, action, reward, next_state, done))  # Initialize gym environment and the agent  
env = gym.make('CartPole-v1')  
state_size = env.observation_space.shape[0]  
action_size = env.action_space.n  
agent = Agent(state_size, action_size)  # Training loop  
num_episodes = 1000  
for e in range(num_episodes):  state = env.reset()  for timestep in range(1000):  action = agent.act(state)  next_state, reward, done, _ = env.step(action)  agent.remember(state, action, reward, next_state, done)  state = next_state  if done:  print("episode: {}/{}, score: {}, e: {:.2}"  .format(e, num_episodes, timestep, agent.epsilon))  break  agent.replay(32)

這段代碼首先定義了一個簡單的DQN網絡，然后定義了一個Agent類，該類包含了DQN模型、優化器、損失函數以及一些用于訓練和決策的方法。

在訓練循環中，智能體通過與環境交互來學習如何玩游戲。每當智能體采取一個動作，它都會記住這個經驗（狀態、動作、獎勵、下一個狀態、是否結束），并定期使用這些經驗來更新它的模型。

這個代碼是基于CartPole游戲開發的。CartPole是OpenAI Gym庫中的一個經典控制問題，用于測試強化學習算法。在CartPole游戲中，目標是通過左右移動一個底部裝有單擺的小車，來保持單擺豎直向上。如果單擺偏離垂直位置太遠，或者小車移動出屏幕，游戲就會結束。

在提供的代碼中，通過定義一個DQN（深度Q網絡）模型和一個Agent類，實現了智能體與環境（CartPole游戲）的交互，并通過強化學習的方法（如經驗回放和ε-貪心策略）來訓練智能體，使其學會如何玩CartPole游戲。

值得注意的是，雖然原始問題可能詢問的是類似貪吃蛇這樣的經典游戲，但提供的代碼實際上是針對CartPole游戲的一個實現示例。這可能是因為CartPole游戲因其簡單性和易于實現，在強化學習領域被廣泛用作測試基準。而貪吃蛇游戲雖然也是一個經典的游戲，但其實現可能涉及更復雜的游戲邏輯和圖形界面處理，因此在強化學習的入門示例中可能較少見到。不過，使用Pygame等庫也可以實現貪吃蛇游戲的圖形界面和基本邏輯。

本文來自互聯網用戶投稿，該文觀點僅代表作者本人，不代表本站立場。本站僅提供信息存儲空間服務，不擁有所有權，不承擔相關法律責任。
如若轉載，請注明出處：http://www.pswp.cn/diannao/42052.shtml
繁體地址，請注明出處：http://hk.pswp.cn/diannao/42052.shtml
英文地址，請注明出處：http://en.pswp.cn/diannao/42052.shtml

如若內容造成侵權/違法違規/事實不符，請聯系多彩編程網進行投訴反饋email:809451989@qq.com，一經查實，立即刪除！

相關文章

Segmentation fault (core dumped)

Segmentation fault (core dumped)

錯誤簡介 出現 “Segmentation fault (core dumped)” 錯誤通常意味著程序訪問了未分配的內存或者越界訪問了已分配內存之外的區域。 段錯誤通常發生在以下情況&#xff1a; 空指針解引用&#xff1a;嘗試對空指針進行操作。內存越界&#xff1a;訪問了超出分配內存邊界的區…
閱讀更多...
大廠面試官贊不絕口的后端技術亮點【后端項目亮點合集（2）】

大廠面試官贊不絕口的后端技術亮點【后端項目亮點合集（2）】

本文將持續更新~~ hello hello~ &#xff0c;這里是絕命Coding——老白~&#x1f496;&#x1f496; &#xff0c;歡迎大家點贊&#x1f973;&#x1f973;關注&#x1f4a5;&#x1f4a5;收藏&#x1f339;&#x1f339;&#x1f339; &#x1f4a5;個人主頁&#xff1a;絕命C…
閱讀更多...
提高論文發表機會：Nature Communications 最新研究教你如何巧妙回復審稿意見

提高論文發表機會：Nature Communications 最新研究教你如何巧妙回復審稿意見

我是娜姐 迪娜學姐 &#xff0c;一個SCI醫學期刊編輯&#xff0c;探索用AI工具提效論文寫作和發表。 對于科研搬磚人來說&#xff0c;在論文投稿過程中&#xff0c;如何有效回復審稿意見才能得到審稿人的認可&#xff0c;一直是一個讓人困惑又帶點玄學的問題。 但是&#xff0c…
閱讀更多...
vue3 按鈕復制粘貼功能

vue3 按鈕復制粘貼功能

1.html <div click"copy(item.envelopePassword)" > 復制口令 </div> 2.utils 創建copy.js export const copy (val: string): void > {let { isSuccessRef } useCopyToClipboard(val) as anyif (isSuccessRef) {// 輕提示showNotify("復制…
閱讀更多...
【強化學習的數學原理】課程筆記--3（蒙特卡洛方法）

【強化學習的數學原理】課程筆記--3（蒙特卡洛方法）

目錄 蒙特卡洛方法MC Basic算法sparse reward MC Greedy 算法樣本使用效率MC ? \epsilon ?-Greedy 算法一些例子 蒙特卡洛方法 第二節 推導貝爾曼最優公式中的&#xff1a; q π k ( s , a ) ∑ r P ( r ∣ s , a ) r γ ∑ s ′ P ( s ′ ∣ s , a ) v π k ( s ′ ) q…
閱讀更多...
vue3 ~ pinia學習

vue3 ~ pinia學習

先看兩個圖 一個vuex 一個pinia 根據圖看出來 pinia更簡單了 那么具體怎么操作呢 我們來看下~ 第一步 下載 yarn add pinia # 或者使用 npm npm install pinia 第二步 注冊 創建一個 pinia 實例 (根 store) 并將其傳遞給應用&#xff1a; import { createApp } from v…
閱讀更多...
代碼隨想錄算法訓練Day57|LeetCode200-島嶼數量、LeetCode695-島嶼的最大面積

代碼隨想錄算法訓練Day57|LeetCode200-島嶼數量、LeetCode695-島嶼的最大面積

島嶼數量 題目描述 力扣200-島嶼數量 給你一個由 1&#xff08;陸地&#xff09;和 0&#xff08;水&#xff09;組成的的二維網格&#xff0c;請你計算網格中島嶼的數量。 島嶼總是被水包圍&#xff0c;并且每座島嶼只能由水平方向和/或豎直方向上相鄰的陸地連接形成。 此…
閱讀更多...
前端vue后端java使用easyexcel框架下載表格xls數據工具類

前端vue后端java使用easyexcel框架下載表格xls數據工具類

一 使用alibaba開源的 easyexcel框架&#xff0c;后臺只需一個工具類即可實現下載 后端下載實現 依賴 pom.xml <dependency><groupId>org.apache.poi</groupId><artifactId>poi</artifactId><version>4.1.2</version></dependen…
閱讀更多...
MATLAB-分類CPO-RF-Adaboost冠豪豬優化器（CPO）優化RF隨機森林結合Adaboost分類預測（二分類及多分類）

MATLAB-分類CPO-RF-Adaboost冠豪豬優化器（CPO）優化RF隨機森林結合Adaboost分類預測（二分類及多分類）

MATLAB-分類CPO-RF-Adaboost冠豪豬優化器&#xff08;CPO&#xff09;優化RF隨機森林結合Adaboost分類預測&#xff08;二分類及多分類&#xff09; 分類CPO-RF-Adaboost冠豪豬優化器&#xff08;CPO&#xff09;優化RF隨機森林結合Adaboost分類預測&#xff08;二分類及多分類…
閱讀更多...
docker 設置代理，通過代理服務器拉取鏡像

docker 設置代理，通過代理服務器拉取鏡像

docker 拉取目標鏡像需要通過代理服務器進行時&#xff0c;可以通過為 docker 配置全局代理來實現。 注&#xff1a;Linux 上通過臨時命令 export HTTP_PROXY 設置的代理&#xff0c;對 curl 這些有用&#xff0c;但是對 docker pull 不起作用。 示例 假設您的代理服務器地址是…
閱讀更多...
Nginx目錄文件作用

Nginx目錄文件作用

查看文件 [rootlocalhost nginx]# pwd /opt/nginx [rootlocalhost nginx]# ll total 4 drwx------ 2 nobody root 6 Jun 6 09:11 client_body_temp drwxr-xr-x 3 root root 4096 Feb 28 14:30 conf drwx------ 2 nobody root 6 Feb 28 14:29 fastcgi_temp drwxr-xr-x…
閱讀更多...
【web前端HTML+CSS+JS】--- HTML學習筆記01

【web前端HTML+CSS+JS】--- HTML學習筆記01

學習鏈接&#xff1a;黑馬程序員pink老師前端入門教程&#xff0c;零基礎必看的h5(html5)css3移動端前端視頻教程_嗶哩嗶哩_bilibili 學習文檔&#xff1a; Web 開發技術 | MDN (mozilla.org) 一、前后端工作流程 WEB模型&#xff1a;前端用于采集和展示信息&#xff0c;中…
閱讀更多...
Web漏洞掃描工具AppScan與AWVS測評及使用體驗

Web漏洞掃描工具AppScan與AWVS測評及使用體驗

AppScan和AWVS業界知名的Web漏洞掃描工具&#xff0c;你是否也好奇到底哪一個能力更勝一籌呢&#xff1f;接下來跟隨博主一探究竟吧。 1. 方案概覽 第一步&#xff1a;安裝一個用于評測的Web漏洞靶場&#xff08;本文采用最知名和最廣泛使用的靶場&#xff0c;即OWASP Benchma…
閱讀更多...
啥？你沒聽過SpringBoot的FatJar?

啥？你沒聽過SpringBoot的FatJar?

寫在最前面&#xff1a; SpringBoot是目前企業里最流行的框架之一&#xff0c;SpringBoot的部署方式多數采用jar包形式。通常&#xff0c;我們使用java -jar便可以直接運行jar文件。普通的jar只包含當前 jar的信息&#xff0c;當內部依賴第三方jar時&#xff0c;直接運行則會報…
閱讀更多...
robotframework-appiumLibrary 應用 - 實現 app 自動化

robotframework-appiumLibrary 應用 - 實現 app 自動化

1、安裝appiumLibrary第三方庫 運行pip命令&#xff1a;pip install robotframework-appiumlibrary 若已安裝&#xff0c;需要更新版本可以用命令&#xff1a;pip install -U robotframework-appiumlibrary 2、安裝app自動化環境。 參考我的另外一篇專門app自動化環境安裝的…
閱讀更多...
設計模式探索：策略模式

設計模式探索：策略模式

1. 什么是策略模式&#xff08;Strategy Pattern&#xff09; 定義 策略模式&#xff08;Strategy Pattern&#xff09;的原始定義是&#xff1a;定義一系列算法&#xff0c;將每一個算法封裝起來&#xff0c;并使它們可以相互替換。策略模式讓算法可以獨立于使用它的客戶端而…
閱讀更多...
打卡第4天----鏈表

打卡第4天----鏈表

通過學習基礎，發現我的基本功還得需要再練練，思路得再更加清晰明了，這樣子做算法題才能駕輕就熟。每天記錄自己的進步。 一、兩兩交換 題目編號：24 題目描述： 給你一個鏈表，兩兩交換其中相鄰的節點，并返回交換后鏈表的頭節點。你必須在不修改節點內部的值的情況下完成本…
閱讀更多...
[數據結構] 基于交換的排序 冒泡排序快速排序

[數據結構] 基于交換的排序 冒泡排序快速排序

標題&#xff1a;[數據結構] 基于交換的排序 冒泡排序&&快速排序 水墨不寫bug &#xff08;圖片來源于網絡&#xff09; 目錄 &#xff08;一&#xff09;冒泡排序 優化后實現&#xff1a; &#xff08;二&#xff09;快速排序 I、實現方法&#xff1a; &#…
閱讀更多...
opencv環境搭建-python

opencv環境搭建-python

最近遇到了一些圖像處理的需求&#xff0c;所以需要學習一下opencv,來記錄一下我的學習歷程。 安裝numpy pip install -i https://pypi.tuna.tsinghua.edu.cn/simple numpy安裝matplotlib pip install -i https://pypi.tuna.tsinghua.edu.cn/simple matplotlib安裝opencv …
閱讀更多...
ctfshow web入門 web338--web344

ctfshow web入門 web338--web344

web338 原型鏈污染 comman.js module.exports {copy:copy };function copy(object1, object2){for (let key in object2) {if (key in object2 && key in object1) {copy(object1[key], object2[key])} else {object1[key] object2[key]}}}login.js var express …
閱讀更多...
最新文章

Copyright @ 2022~2023