Qlearning、sarsa以及sarsa_lambda
Qlearning算法
- import numpy as np
- import gym
- import random
- if __name__ == '__main__':
- env = gym.make("FrozenLake-v0")
- env.render()
- action_size = env.action_space.n
- print("Action size ", action_size)
- state_size = env.observation_space.n
- print("State size ", state_size)
- qtable = np.zeros((state_size, action_size))
- print(qtable)
- total_episodes = 10000 # Total episodes
- learning_rate = 0.8 # Learning rate
- max_steps = 99 # Max steps per episode
- gamma = 0.95 # Discounting rate
- # Exploration parameters
- epsilon = 1.0 # Exploration rate
- max_epsilon = 1.0 # Exploration probability at start
- min_epsilon = 0.01 # Minimum exploration probability
- decay_rate = 0.001 # Exponential decay rate for exploration prob
- # List of rewards
- rewards = []
- # 2 For life or until learning is stopped
- for episode in range(total_episodes):
- # Reset the environment
- state = env.reset()
- step = 0
- done = False
- total_rewards = 0
- for step in range(max_steps):
- # 3. Choose an action a in the current world state (s)
- ## First we randomize a number
- exp_exp_tradeoff = random.uniform(0, 1)
- ## If this number > greater than epsilon --> exploitation (taking the biggest Q value for this state)
- if exp_exp_tradeoff > epsilon:
- action = np.argmax(qtable[state, :])
- # Else doing a random choice --> exploration
- else:
- action = env.action_space.sample()
- # Take the action (a) and observe the outcome state(s') and reward (r)
- new_state, reward, done, info = env.step(action)
- # Update Q(s,a):= Q(s,a) + lr [R(s,a) + gamma * max Q(s',a') - Q(s,a)]
- # qtable[new_state,:] : all the actions we can take from new state
- qtable[state, action] = qtable[state, action] + learning_rate * (
- reward + gamma * np.max(qtable[new_state, :]) - qtable[state, action])
- print("action is %d , reward is %d , qtable[state, action] is %f , new_state is %d" % (
- action, reward, qtable[state, action], new_state))
- total_rewards = total_rewards + reward
- # Our new state is state
- state = new_state
- # If done (if we're dead) : finish episode
- if done == True:
- break
- episode += 1
- # Reduce epsilon (because we need less and less exploration)
- epsilon = min_epsilon + (max_epsilon - min_epsilon) * np.exp(-decay_rate * episode)
- rewards.append(total_rewards)
- print("Score over time: " + str(sum(rewards) / total_episodes))
- print("qtable is ", qtable)
- print("epsilon is", epsilon)
Q-Learning和Sarsa算法的对比:
当Sarsa 和 Q-Learning处在状态s时,均选择可带来最大回报的动作a,这样可到达状态s’。而在下一步,如果使用Q-Learning, 则会观察在s’上哪个动作会带来最大回报(不会真正执行该动作,仅用来更新Q表),在s’上做决定时, 再基于更新后的Q表选择动作。而 Sarsa 是实践派,在s’ 这一步估算的动作也是接下来要执行的动作,所以 Q(s, a) 的现实值也会稍稍改动,去掉maxQ,取而代之的是在s’ 上实实在在选取的a’ 的Q值,最后像Q-Learning一样求出现实和估计的差距并更新Q表里的Q(s, a)
我的理解是这样的:
Qlearning更新Q值,s状态下选择行动a到达新的状态s’,我都默认我的下一步行动是s’状态下收益最大的行动来更新当前的Q值,即MaxQ(s’,a’),但是下一步行动我是不确定的,可能随机可能根据Q表,评估值和动作值不一致,所以Qlearning是一个Off-policy离线学习算法;
Sarsa执行完动作后会对新的状态s’执行一次greedy,会根据greedy选择的动作来更新当前Q表,即Q(s’,a’),并且下一步执行这个动作,评估值和动作值一致,所以Sarsa是一个On-policy在线学习算法。
Q-Learning因为有了 maxQ,所以也是一个特别勇敢的算法,原因在于它永远都会选择最近的一条通往成功的道路,不管这条路会有多危险。而 Sarsa 则是相当保守,它会选择离危险远远的,这就是使用Sarsa方法的不同之处。
根据sutton的经典著作来说,我简单说一下自己的理解:
Q-learning 和 Sara是TD method 的两个变体,只不过是一个是on-policy,一个是off-policy。而TD method 和Monte Carlo method 都是以GPI(generalized policy iteration)为基本原理的,分为policy evaluation(也就是所谓的预测问题)和 policy improvement(就是选择最优)两个步骤。
所以,Q-leaning是off-policy的原因在于他在policy evaluation的时候用的是e-greedy policy(为了保证足够的探索state-action pair,也就是behavior policy),而在policy improvement的时候用的却是greedy polic(target policy)。因为behaviour policy 和 target policy 是不一样的,所以说Q-leaning是 off-policy。
另外,就是如果sara和Q-learning的 behaviour 都是greddy policy的话,那么也有可能 这两种算法会出现不一样的结果。
- for episode in range(total_episodes):
- state = env.reset()
- step = 0
- done = False
- total_rewards = 0
- exp_exp_tradeoff = random.uniform(0, 1)
- if exp_exp_tradeoff > epsilon:
- action = np.argmax(qtable[state, :])
- else:
- action = env.action_space.sample()
- for step in range(max_steps):
- new_state, reward, done, info = env.step(action)
- exp_exp_tradeoff = random.uniform(0, 1)
- if exp_exp_tradeoff > epsilon:
- new_action = np.argmax(qtable[new_state, :])
- else:
- new_action = env.action_space.sample()
- qtable[state, action] = qtable[state, action] + learning_rate * (
- reward + gamma * qtable[new_state, new_action] - qtable[state, action])
- print("action is %d , reward is %d , qtable[state, action] is %f , new_state is %d" % (
- action, reward, qtable[state, action], new_state))
- total_rewards = total_rewards + reward
- # Our new state is state
- state = new_state
- action = new_action
- # If done (if we're dead) : finish episode
- if done == True:
- break
- episode += 1
- # Reduce epsilon (because we need less and less exploration)
- epsilon = min_epsilon + (max_epsilon - min_epsilon) * np.exp(-decay_rate * episode)
- rewards.append(total_rewards)
Sarsa(lambda)算法
Sarsa(lambda)算法是Sarsa 的改进版,二者的主要区别在于:
在每次take action获得reward后,Sarsa只对前一步Q(s,a)进行更新,Sarsa(lambda) 则会对获得reward之前的步进行更新。
Sarsa(lambda)算法的流程如下:
从上图可以看出,和Sarsa相比,Sarsa(lambda)算法中多了一个矩阵E (eligibility trace),它是用来保存在路径中所经历的每一步,因此在每次更新时也会对之前经历的步进行更新。
参数lambda取值范围为[0, 1] ,如果 lambda = 0,Sarsa(lambda) 将退化为Sarsa,即只更新获取到 reward 前经历的最后一步;如果 lambda = 1,Sarsa(lambda) 更新的是获取到 reward 前的所有步。lambda 可理解为脚步的衰变值,即离奶酪越近的步越重要,越远的步则对于获取奶酪不是太重要。
和Sarsa相比,Sarsa(lambda)算法有如下优势:
Sarsa虽然会边走边更新,但是在没有获得奶酪之前,当前步的Q值是没有任何变化的,直到获取奶酪后,才会对获取奶酪的前一步更新,而之前为了获取奶酪所走的所有步都被认为和获取奶酪没关系。Sarsa(lambda)则会对获取奶酪所走的步都进行更新,离奶酪越近的步越重要,越远的则越不重要(由参数lambda控制衰减幅度)。因此,Sarsa(lambda) 能够更加快速有效的学到最优的policy。
在算法前几回合,老鼠由于没有头绪, 可能在原地打转了很久,从而形成一些重复的环路,而这些环路对于算法的学习没有太大必要。Sarsa(lambda)则可解决该问题,具体做法是:在E(s,a)←E(s,a)+1这一步之前,可先令E(s)=0,即把状态s对应的行置为0,这样就只保留了最近一次到达状态s时所做的action。
- def learn(self, s, a, r, s_, a_):
- self.check_state_exist(s_)
- q_predict = self.q_table.loc[s, a]
- if s_ != 'terminal':
- q_target = r + self.gamma * self.q_table.loc[s_, a_] # next state is not terminal
- else:
- q_target = r # next state is terminal
- error = q_target - q_predict
- # increase trace amount for visited state-action pair
- # Method 1:
- # self.eligibility_trace.loc[s, a] += 1
- # Method 2:
- self.eligibility_trace.loc[s, :] *= 0
- self.eligibility_trace.loc[s, a] = 1
- # Q update
- self.q_table += self.lr * error * self.eligibility_trace
- # decay eligibility trace after update
- self.eligibility_trace *= self.gamma*self.lambda_
# Method 1:
self.eligibility_trace.loc[s, a] += 1
# Method 2:
self.eligibility_trace.loc[s, :] *= 0
self.eligibility_trace.loc[s, a] = 1
他们两的不同之处可以用这张图来概括:
这是针对于一个 state-action 值按经历次数的变化. 最上面是经历 state-action 的时间点, 第二张图是使用这种方式所带来的 “不可或缺性值”:
self.eligibility_trace.ix[s, a] += 1
下面图是使用这种方法带来的 “不可或缺性值”:
self.eligibility_trace.ix[s, :] *= 0
self.eligibility_trace.ix[s, a] = 1
我的理解是若采取+1重复插旗动作,那老鼠有可能陷入一个循环,不停进行插旗动作,由于是最新的动作, gamma和lamdba无法指数性的进行衰减而造成此处Q值过大,使用下面的方法可以有效的避免这种怪圈。
整理以及参考:
https://blog.csdn.net/u010089444/article/details/80516345
https://morvanzhou.github.io/tutorials/machine-learning/reinforcement-learning/3-3-tabular-sarsa-lambda/
如若内容造成侵权/违法违规/事实不符,请联系编程学习网邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
相关文章
- SIFT算法详解
尺度不变特征变换匹配算法详解Scale Invariant Feature Transform(SIFT)Just For Funzdd zddmail@gmail.com or (zddhub@gmail.com)对于初学者,从David G.Lowe的论文到实现,有许多鸿沟,本文帮你跨越。如果你学习SIFI得目的是为了做检索,也许 OpenSSE 更适合你,欢迎使用。…...
2024/4/18 0:30:20 - ICE协议下NAT穿越的实现(STUN&TURN)
对下文的内容添加举例说明:四种NAT类型:RFC3489 中将 NAT 的实现分为四大类:Full Cone NAT (完全锥形 NAT)Restricted Cone NAT (限制锥形 NAT ,可以理解为 IP 限制,Port不限制)Port Restricted Cone NAT (端口限制锥形 NAT,IP+Port 限制)Symmetric NAT (对称 NAT)…...
2024/4/18 10:28:35 - 工作室成员2020春招总结
写在开头 本人是双非本科生,目前大三,大学期间主要学习java,了解一点python,主要是做java服务端开发。大学期间参加了学校的一些技术工作室。2020年2月我正式开始了自己的春招之旅,先后获得了cvte、腾讯、美团、阿里等公司的实习offer,也正是在这个过程中,我学到了很多东…...
2024/4/16 8:04:50 - HTTP 协议与原理分析之一
一、网络协议分层网络协议分层,经典的五层模型,分为客户端和服务端。客户端是分为应用层到传输层,再到网络层,到数据链路层,最后到物理层。服务端是物理层到数据链路层,再到网络层,到传输层,最后到应用层。应用层最常见的是 HTTP、FTP等等,传输层最常见的是TCP、UDP等…...
2024/4/19 15:11:07 - 25FPS实时图像去雨算法RSEN | Residual Squeeze-and-Excitation Network for Fast Image Deraining
首先,从论文创新方面来说,可以说是毫无创新。但是,其25FPS的速度对于图像去雨来说还是一个很好很实用的模型,而且性能还能够SOTA! 论文地址:https://arxiv.org/pdf/2006.00757.pdfAbstract:图像去雨是一项重要的图像处理任务,因为雨水条纹不仅会严重降低图像的视觉质量…...
2024/4/23 10:40:37 - 基于svd矩阵分解的推荐算法推荐网课平台(根据网速,功能以及用户的喜好推荐)包括ui界面
背景 由于新型冠状肺炎疫情所致,为了保证学生学业进度,国家教育部提出“停课不停学”的要求。于是,各地教育部门详细地制定了关于线上教学的方案,线上教学成为广大学生与老师最受欢迎与信赖的上课方式。然而,线上教学也面临诸多问题,如上课方式的选择,有的线上教学软件只…...
2024/4/28 11:07:57 - 还觉得linux命令难吗,看这篇2w多字的linux命令详解,通俗易懂
序言本篇文章主要讲解了一些linux常用命令,主要讲解模式是,命令介绍、命令参数格式、命令参数、命令常用参数示例。由于linux命令较多,我还特意选了一些日常使用较为频繁的命令进行讲解,但还是免不了文章很长,建议大家收藏起来,用到的时候不会了再来阅读。当然学习linux命…...
2024/4/24 10:12:18 - 2020春招总结
写在开头 本人是双非本科生,目前大三,大学期间主要学习java,了解一点python,主要是做java服务端开发。大学期间参加了学校的一些技术工作室。2020年2月我正式开始了自己的春招之旅,先后获得了cvte、腾讯、美团、阿里等公司的实习offer,也正是在这个过程中,我学到了很多东…...
2024/4/23 14:59:59 - 嵌入式linux应用开发A :课程作业3
课程作业3 【3.1 安装NFS服务】 1、NFS允许计算机的客户-服务器模型,服务器实施共享文件系统,以及客户端所连接的存储。 A.对 B.错 答:对 2、nfs(network file system)是一种基于___的文件系统 答:网络文件系统 【3.2NFS服务配置实例】 1、NFS服务配置的一般步骤: A.设置共…...
2024/4/24 10:12:16 - Shell脚本学习之expect命令
一、概述 我们通过Shell可以实现简单的控制流功能,如:循环、判断等。但是对于需要交互的场合则必须通过人工来干预,有时候我们可能会需要实现和交互程序如telnet服务器等进行交互的功能。而expect就使用来实现这种功能的工具。expect是一个免费的编程工具语言,用来实现自动…...
2024/4/24 10:12:15 - 数据分析与挖掘学习|python001
python介绍 什么是python python是一种解释型、面向对象的语言。 python特点 1.可读性强 2.简洁 由c语言开发,不再有c语言中指针等复杂数据类型,简洁性让开发难度和代码幅度降低,开发任务大大简化。 3.面向对象 4.免费开源 5.可移植性和跨平台 python会被编译成与操作系统相…...
2024/4/24 10:12:21 - day02
颜色分类问题 leetcode 75这道题我开始当成排序题做了,因为要求是进行原地排序,所以我使用的是插入排序 public static void sortColors(int[] nums) { // 使用插入排序if (nums.length<2||nums==null) return;for (int i = 1; i <nums.length ; i++) {for (int…...
2024/4/24 10:12:13 - Deep-Learning Processor(2014-2017)
本文汇总了近年来关于Deep-Learning Processor领域的相关论文。 2014 ASPLOS Chen, Tianshi, et al. “DianNao: a small-footprint high-throughput accelerator for ubiquitous machine-learning.” architectural support for programming languages and operating systems …...
2024/4/24 10:12:13 - Qlearnin、sarsa以及sarsa_lambda
Qlearning算法import numpy as np import gym import random if __name__ == __main__: env = gym.make("FrozenLake-v0") env.render() action_size = env.action_space.n print("Action size ", action_size) state_size = env.observation_spac…...
2024/4/24 10:12:12 - 街景字符识别比赛心得
阿里天池-零基础入门CV赛事(街景字符识别编码)-Task 5 模型集成1 模型集成1.1 学习目标1.2 集成学习方法1.3 深度学习中的集成学习1.3.1 dropout1.3.2 TTA1.3.3 Snapshot 1 模型集成 本章讲解的知识点包括:集成学习方法、深度学习中的集成学习和结果后处理思路。 1.1 学习目…...
2024/4/24 10:12:11 - 无意中发现的方法:一招让你的 IntelliJ Idea 飞起来
一、引言 最近工作中使用到了 IntelliJ Idea,说实在的,不太熟悉这个 IDE。 不知道为什么,对比 Eclipse 和 IntelliJ Idea,在我的电脑上,竟然是 IntelliJ Idea 比 Eclipse 运行的更卡一些。尤其是 IntelliJ Idea 的内存占用,简直惊人,在我的办公电脑上,竟然达到了 恐怖的…...
2024/4/24 10:12:09 - 机器学习2 模型评估选择
真实情况 预测情况 正例 反例 正例 TP(预测为正例,正确) FN(预测为反例,错误) 反例 FP(预测为正例,错误) TN(预测为反例,正确)真正例率等于在真实情况为正例的时候,预测为正例/总的正例数 真反例率等于在真实情况为反例的时候,预测为反例/总的反例数 查准率等于预…...
2024/4/24 10:12:08 - 《Python编程:从入门到实践》第六章笔记
6.1 一个简单的字典 >>> alien_0 = {color:green,point:5} >>> alien_0 {color: green, point: 5}6.2 使用字典 在Python中,字典是一系列键-值对,可将任何Python对象用作字典中的值。 6.2.1 访问字典中的值 >>> alien_0[color] green6.2.2 添加键…...
2024/4/24 10:12:10 - Spring_Days_01
今天我们来手写一下Spring中的IOC过程。 程序的耦合和解耦合 1、程序的耦合:程序间的依赖关系 2、分类:类之间的依赖 方法间的依赖3、解耦合:降低程序间的依赖关系 实际开发中应该做到:编译期不依赖,运行时才依赖。 这里给大家举个例子,我们之前学习的JDBC的过程。OK,看…...
2024/4/18 16:08:13 - shiro03 自定义realm实现认证
使用自定义realm的原因之一是因为我们的用户名角色等是存在数据库的。 使用inirealm是从配置文件中读取。最基础的是Realm接口,CachingRealm负责缓存处理,AuthenticationRealm负责认证,AuthorizingRealm负责授权,通常自定义的realm继承AuthorizingRealm 项目结构import com…...
2024/4/18 4:29:21
最新文章
- 【C++风云录】改变气候研究游戏规则:CLM、CESM、WRF、CDO、MPAS和NCL的全面指南
科技与气候:六大工具的洞察和应用 前言 在当前的科技环境中,模型和软件工具对于理解和预测天气,气候变化以及其他地球系统现象起着至关重要的作用。本文将详细介绍六种不同的工具:CLM, CESM, WRF, CDO, MPAS 和 NCL,…...
2024/5/1 22:37:29 - 梯度消失和梯度爆炸的一些处理方法
在这里是记录一下梯度消失或梯度爆炸的一些处理技巧。全当学习总结了如有错误还请留言,在此感激不尽。 权重和梯度的更新公式如下: w w − η ⋅ ∇ w w w - \eta \cdot \nabla w ww−η⋅∇w 个人通俗的理解梯度消失就是网络模型在反向求导的时候出…...
2024/3/20 10:50:27 - axios拦截器:每次请求自动带上 token
Step 1:创建Axios实例并添加拦截器 在你的Vue项目中,一般我们会先导入axios,然后创建一个axios实例。这样做是为了方便统一管理和配置。 import axios from axios; // 引入axios// 创建一个axios实例 const service axios.create();// 添加请…...
2024/4/30 17:13:59 - 腾讯云容器与Serverless的融合:探索《2023技术实践精选集》中的创新实践
腾讯云容器与Serverless的融合:探索《2023技术实践精选集》中的创新实践 文章目录 腾讯云容器与Serverless的融合:探索《2023技术实践精选集》中的创新实践引言《2023腾讯云容器和函数计算技术实践精选集》整体评价特色亮点分析Serverless与Kubernetes的…...
2024/4/30 17:11:00 - 【外汇早评】美通胀数据走低,美元调整
原标题:【外汇早评】美通胀数据走低,美元调整昨日美国方面公布了新一期的核心PCE物价指数数据,同比增长1.6%,低于前值和预期值的1.7%,距离美联储的通胀目标2%继续走低,通胀压力较低,且此前美国一季度GDP初值中的消费部分下滑明显,因此市场对美联储后续更可能降息的政策…...
2024/5/1 17:30:59 - 【原油贵金属周评】原油多头拥挤,价格调整
原标题:【原油贵金属周评】原油多头拥挤,价格调整本周国际劳动节,我们喜迎四天假期,但是整个金融市场确实流动性充沛,大事频发,各个商品波动剧烈。美国方面,在本周四凌晨公布5月份的利率决议和新闻发布会,维持联邦基金利率在2.25%-2.50%不变,符合市场预期。同时美联储…...
2024/4/30 18:14:14 - 【外汇周评】靓丽非农不及疲软通胀影响
原标题:【外汇周评】靓丽非农不及疲软通胀影响在刚结束的周五,美国方面公布了新一期的非农就业数据,大幅好于前值和预期,新增就业重新回到20万以上。具体数据: 美国4月非农就业人口变动 26.3万人,预期 19万人,前值 19.6万人。 美国4月失业率 3.6%,预期 3.8%,前值 3…...
2024/4/29 2:29:43 - 【原油贵金属早评】库存继续增加,油价收跌
原标题:【原油贵金属早评】库存继续增加,油价收跌周三清晨公布美国当周API原油库存数据,上周原油库存增加281万桶至4.692亿桶,增幅超过预期的74.4万桶。且有消息人士称,沙特阿美据悉将于6月向亚洲炼油厂额外出售更多原油,印度炼油商预计将每日获得至多20万桶的额外原油供…...
2024/4/30 18:21:48 - 【外汇早评】日本央行会议纪要不改日元强势
原标题:【外汇早评】日本央行会议纪要不改日元强势近两日日元大幅走强与近期市场风险情绪上升,避险资金回流日元有关,也与前一段时间的美日贸易谈判给日本缓冲期,日本方面对汇率问题也避免继续贬值有关。虽然今日早间日本央行公布的利率会议纪要仍然是支持宽松政策,但这符…...
2024/4/27 17:58:04 - 【原油贵金属早评】欧佩克稳定市场,填补伊朗问题的影响
原标题:【原油贵金属早评】欧佩克稳定市场,填补伊朗问题的影响近日伊朗局势升温,导致市场担忧影响原油供给,油价试图反弹。此时OPEC表态稳定市场。据消息人士透露,沙特6月石油出口料将低于700万桶/日,沙特已经收到石油消费国提出的6月份扩大出口的“适度要求”,沙特将满…...
2024/4/27 14:22:49 - 【外汇早评】美欲与伊朗重谈协议
原标题:【外汇早评】美欲与伊朗重谈协议美国对伊朗的制裁遭到伊朗的抗议,昨日伊朗方面提出将部分退出伊核协议。而此行为又遭到欧洲方面对伊朗的谴责和警告,伊朗外长昨日回应称,欧洲国家履行它们的义务,伊核协议就能保证存续。据传闻伊朗的导弹已经对准了以色列和美国的航…...
2024/4/28 1:28:33 - 【原油贵金属早评】波动率飙升,市场情绪动荡
原标题:【原油贵金属早评】波动率飙升,市场情绪动荡因中美贸易谈判不安情绪影响,金融市场各资产品种出现明显的波动。随着美国与中方开启第十一轮谈判之际,美国按照既定计划向中国2000亿商品征收25%的关税,市场情绪有所平复,已经开始接受这一事实。虽然波动率-恐慌指数VI…...
2024/4/30 9:43:09 - 【原油贵金属周评】伊朗局势升温,黄金多头跃跃欲试
原标题:【原油贵金属周评】伊朗局势升温,黄金多头跃跃欲试美国和伊朗的局势继续升温,市场风险情绪上升,避险黄金有向上突破阻力的迹象。原油方面稍显平稳,近期美国和OPEC加大供给及市场需求回落的影响,伊朗局势并未推升油价走强。近期中美贸易谈判摩擦再度升级,美国对中…...
2024/4/27 17:59:30 - 【原油贵金属早评】市场情绪继续恶化,黄金上破
原标题:【原油贵金属早评】市场情绪继续恶化,黄金上破周初中国针对于美国加征关税的进行的反制措施引发市场情绪的大幅波动,人民币汇率出现大幅的贬值动能,金融市场受到非常明显的冲击。尤其是波动率起来之后,对于股市的表现尤其不安。隔夜美国股市出现明显的下行走势,这…...
2024/4/25 18:39:16 - 【外汇早评】美伊僵持,风险情绪继续升温
原标题:【外汇早评】美伊僵持,风险情绪继续升温昨日沙特两艘油轮再次发生爆炸事件,导致波斯湾局势进一步恶化,市场担忧美伊可能会出现摩擦生火,避险品种获得支撑,黄金和日元大幅走强。美指受中美贸易问题影响而在低位震荡。继5月12日,四艘商船在阿联酋领海附近的阿曼湾、…...
2024/4/28 1:34:08 - 【原油贵金属早评】贸易冲突导致需求低迷,油价弱势
原标题:【原油贵金属早评】贸易冲突导致需求低迷,油价弱势近日虽然伊朗局势升温,中东地区几起油船被袭击事件影响,但油价并未走高,而是出于调整结构中。由于市场预期局势失控的可能性较低,而中美贸易问题导致的全球经济衰退风险更大,需求会持续低迷,因此油价调整压力较…...
2024/4/26 19:03:37 - 氧生福地 玩美北湖(上)——为时光守候两千年
原标题:氧生福地 玩美北湖(上)——为时光守候两千年一次说走就走的旅行,只有一张高铁票的距离~ 所以,湖南郴州,我来了~ 从广州南站出发,一个半小时就到达郴州西站了。在动车上,同时改票的南风兄和我居然被分到了一个车厢,所以一路非常愉快地聊了过来。 挺好,最起…...
2024/4/29 20:46:55 - 氧生福地 玩美北湖(中)——永春梯田里的美与鲜
原标题:氧生福地 玩美北湖(中)——永春梯田里的美与鲜一觉醒来,因为大家太爱“美”照,在柳毅山庄去寻找龙女而错过了早餐时间。近十点,向导坏坏还是带着饥肠辘辘的我们去吃郴州最富有盛名的“鱼头粉”。说这是“十二分推荐”,到郴州必吃的美食之一。 哇塞!那个味美香甜…...
2024/4/30 22:21:04 - 氧生福地 玩美北湖(下)——奔跑吧骚年!
原标题:氧生福地 玩美北湖(下)——奔跑吧骚年!让我们红尘做伴 活得潇潇洒洒 策马奔腾共享人世繁华 对酒当歌唱出心中喜悦 轰轰烈烈把握青春年华 让我们红尘做伴 活得潇潇洒洒 策马奔腾共享人世繁华 对酒当歌唱出心中喜悦 轰轰烈烈把握青春年华 啊……啊……啊 两…...
2024/5/1 4:32:01 - 扒开伪装医用面膜,翻六倍价格宰客,小姐姐注意了!
原标题:扒开伪装医用面膜,翻六倍价格宰客,小姐姐注意了!扒开伪装医用面膜,翻六倍价格宰客!当行业里的某一品项火爆了,就会有很多商家蹭热度,装逼忽悠,最近火爆朋友圈的医用面膜,被沾上了污点,到底怎么回事呢? “比普通面膜安全、效果好!痘痘、痘印、敏感肌都能用…...
2024/4/27 23:24:42 - 「发现」铁皮石斛仙草之神奇功效用于医用面膜
原标题:「发现」铁皮石斛仙草之神奇功效用于医用面膜丽彦妆铁皮石斛医用面膜|石斛多糖无菌修护补水贴19大优势: 1、铁皮石斛:自唐宋以来,一直被列为皇室贡品,铁皮石斛生于海拔1600米的悬崖峭壁之上,繁殖力差,产量极低,所以古代仅供皇室、贵族享用 2、铁皮石斛自古民间…...
2024/4/28 5:48:52 - 丽彦妆\医用面膜\冷敷贴轻奢医学护肤引导者
原标题:丽彦妆\医用面膜\冷敷贴轻奢医学护肤引导者【公司简介】 广州华彬企业隶属香港华彬集团有限公司,专注美业21年,其旗下品牌: 「圣茵美」私密荷尔蒙抗衰,产后修复 「圣仪轩」私密荷尔蒙抗衰,产后修复 「花茵莳」私密荷尔蒙抗衰,产后修复 「丽彦妆」专注医学护…...
2024/4/30 9:42:22 - 广州械字号面膜生产厂家OEM/ODM4项须知!
原标题:广州械字号面膜生产厂家OEM/ODM4项须知!广州械字号面膜生产厂家OEM/ODM流程及注意事项解读: 械字号医用面膜,其实在我国并没有严格的定义,通常我们说的医美面膜指的应该是一种「医用敷料」,也就是说,医用面膜其实算作「医疗器械」的一种,又称「医用冷敷贴」。 …...
2024/4/30 9:43:22 - 械字号医用眼膜缓解用眼过度到底有无作用?
原标题:械字号医用眼膜缓解用眼过度到底有无作用?医用眼膜/械字号眼膜/医用冷敷眼贴 凝胶层为亲水高分子材料,含70%以上的水分。体表皮肤温度传导到本产品的凝胶层,热量被凝胶内水分子吸收,通过水分的蒸发带走大量的热量,可迅速地降低体表皮肤局部温度,减轻局部皮肤的灼…...
2024/4/30 9:42:49 - 配置失败还原请勿关闭计算机,电脑开机屏幕上面显示,配置失败还原更改 请勿关闭计算机 开不了机 这个问题怎么办...
解析如下:1、长按电脑电源键直至关机,然后再按一次电源健重启电脑,按F8健进入安全模式2、安全模式下进入Windows系统桌面后,按住“winR”打开运行窗口,输入“services.msc”打开服务设置3、在服务界面,选中…...
2022/11/19 21:17:18 - 错误使用 reshape要执行 RESHAPE,请勿更改元素数目。
%读入6幅图像(每一幅图像的大小是564*564) f1 imread(WashingtonDC_Band1_564.tif); subplot(3,2,1),imshow(f1); f2 imread(WashingtonDC_Band2_564.tif); subplot(3,2,2),imshow(f2); f3 imread(WashingtonDC_Band3_564.tif); subplot(3,2,3),imsho…...
2022/11/19 21:17:16 - 配置 已完成 请勿关闭计算机,win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机...
win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机”问题的解决方法在win7系统关机时如果有升级系统的或者其他需要会直接进入一个 等待界面,在等待界面中我们需要等待操作结束才能关机,虽然这比较麻烦,但是对系统进行配置和升级…...
2022/11/19 21:17:15 - 台式电脑显示配置100%请勿关闭计算机,“准备配置windows 请勿关闭计算机”的解决方法...
有不少用户在重装Win7系统或更新系统后会遇到“准备配置windows,请勿关闭计算机”的提示,要过很久才能进入系统,有的用户甚至几个小时也无法进入,下面就教大家这个问题的解决方法。第一种方法:我们首先在左下角的“开始…...
2022/11/19 21:17:14 - win7 正在配置 请勿关闭计算机,怎么办Win7开机显示正在配置Windows Update请勿关机...
置信有很多用户都跟小编一样遇到过这样的问题,电脑时发现开机屏幕显现“正在配置Windows Update,请勿关机”(如下图所示),而且还需求等大约5分钟才干进入系统。这是怎样回事呢?一切都是正常操作的,为什么开时机呈现“正…...
2022/11/19 21:17:13 - 准备配置windows 请勿关闭计算机 蓝屏,Win7开机总是出现提示“配置Windows请勿关机”...
Win7系统开机启动时总是出现“配置Windows请勿关机”的提示,没过几秒后电脑自动重启,每次开机都这样无法进入系统,此时碰到这种现象的用户就可以使用以下5种方法解决问题。方法一:开机按下F8,在出现的Windows高级启动选…...
2022/11/19 21:17:12 - 准备windows请勿关闭计算机要多久,windows10系统提示正在准备windows请勿关闭计算机怎么办...
有不少windows10系统用户反映说碰到这样一个情况,就是电脑提示正在准备windows请勿关闭计算机,碰到这样的问题该怎么解决呢,现在小编就给大家分享一下windows10系统提示正在准备windows请勿关闭计算机的具体第一种方法:1、2、依次…...
2022/11/19 21:17:11 - 配置 已完成 请勿关闭计算机,win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机”的解决方法...
今天和大家分享一下win7系统重装了Win7旗舰版系统后,每次关机的时候桌面上都会显示一个“配置Windows Update的界面,提示请勿关闭计算机”,每次停留好几分钟才能正常关机,导致什么情况引起的呢?出现配置Windows Update…...
2022/11/19 21:17:10 - 电脑桌面一直是清理请关闭计算机,windows7一直卡在清理 请勿关闭计算机-win7清理请勿关机,win7配置更新35%不动...
只能是等着,别无他法。说是卡着如果你看硬盘灯应该在读写。如果从 Win 10 无法正常回滚,只能是考虑备份数据后重装系统了。解决来方案一:管理员运行cmd:net stop WuAuServcd %windir%ren SoftwareDistribution SDoldnet start WuA…...
2022/11/19 21:17:09 - 计算机配置更新不起,电脑提示“配置Windows Update请勿关闭计算机”怎么办?
原标题:电脑提示“配置Windows Update请勿关闭计算机”怎么办?win7系统中在开机与关闭的时候总是显示“配置windows update请勿关闭计算机”相信有不少朋友都曾遇到过一次两次还能忍但经常遇到就叫人感到心烦了遇到这种问题怎么办呢?一般的方…...
2022/11/19 21:17:08 - 计算机正在配置无法关机,关机提示 windows7 正在配置windows 请勿关闭计算机 ,然后等了一晚上也没有关掉。现在电脑无法正常关机...
关机提示 windows7 正在配置windows 请勿关闭计算机 ,然后等了一晚上也没有关掉。现在电脑无法正常关机以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容,让我们赶快一起来看一下吧!关机提示 windows7 正在配…...
2022/11/19 21:17:05 - 钉钉提示请勿通过开发者调试模式_钉钉请勿通过开发者调试模式是真的吗好不好用...
钉钉请勿通过开发者调试模式是真的吗好不好用 更新时间:2020-04-20 22:24:19 浏览次数:729次 区域: 南阳 > 卧龙 列举网提醒您:为保障您的权益,请不要提前支付任何费用! 虚拟位置外设器!!轨迹模拟&虚拟位置外设神器 专业用于:钉钉,外勤365,红圈通,企业微信和…...
2022/11/19 21:17:05 - 配置失败还原请勿关闭计算机怎么办,win7系统出现“配置windows update失败 还原更改 请勿关闭计算机”,长时间没反应,无法进入系统的解决方案...
前几天班里有位学生电脑(windows 7系统)出问题了,具体表现是开机时一直停留在“配置windows update失败 还原更改 请勿关闭计算机”这个界面,长时间没反应,无法进入系统。这个问题原来帮其他同学也解决过,网上搜了不少资料&#x…...
2022/11/19 21:17:04 - 一个电脑无法关闭计算机你应该怎么办,电脑显示“清理请勿关闭计算机”怎么办?...
本文为你提供了3个有效解决电脑显示“清理请勿关闭计算机”问题的方法,并在最后教给你1种保护系统安全的好方法,一起来看看!电脑出现“清理请勿关闭计算机”在Windows 7(SP1)和Windows Server 2008 R2 SP1中,添加了1个新功能在“磁…...
2022/11/19 21:17:03 - 请勿关闭计算机还原更改要多久,电脑显示:配置windows更新失败,正在还原更改,请勿关闭计算机怎么办...
许多用户在长期不使用电脑的时候,开启电脑发现电脑显示:配置windows更新失败,正在还原更改,请勿关闭计算机。。.这要怎么办呢?下面小编就带着大家一起看看吧!如果能够正常进入系统,建议您暂时移…...
2022/11/19 21:17:02 - 还原更改请勿关闭计算机 要多久,配置windows update失败 还原更改 请勿关闭计算机,电脑开机后一直显示以...
配置windows update失败 还原更改 请勿关闭计算机,电脑开机后一直显示以以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容,让我们赶快一起来看一下吧!配置windows update失败 还原更改 请勿关闭计算机&#x…...
2022/11/19 21:17:01 - 电脑配置中请勿关闭计算机怎么办,准备配置windows请勿关闭计算机一直显示怎么办【图解】...
不知道大家有没有遇到过这样的一个问题,就是我们的win7系统在关机的时候,总是喜欢显示“准备配置windows,请勿关机”这样的一个页面,没有什么大碍,但是如果一直等着的话就要两个小时甚至更久都关不了机,非常…...
2022/11/19 21:17:00 - 正在准备配置请勿关闭计算机,正在准备配置windows请勿关闭计算机时间长了解决教程...
当电脑出现正在准备配置windows请勿关闭计算机时,一般是您正对windows进行升级,但是这个要是长时间没有反应,我们不能再傻等下去了。可能是电脑出了别的问题了,来看看教程的说法。正在准备配置windows请勿关闭计算机时间长了方法一…...
2022/11/19 21:16:59 - 配置失败还原请勿关闭计算机,配置Windows Update失败,还原更改请勿关闭计算机...
我们使用电脑的过程中有时会遇到这种情况,当我们打开电脑之后,发现一直停留在一个界面:“配置Windows Update失败,还原更改请勿关闭计算机”,等了许久还是无法进入系统。如果我们遇到此类问题应该如何解决呢࿰…...
2022/11/19 21:16:58 - 如何在iPhone上关闭“请勿打扰”
Apple’s “Do Not Disturb While Driving” is a potentially lifesaving iPhone feature, but it doesn’t always turn on automatically at the appropriate time. For example, you might be a passenger in a moving car, but your iPhone may think you’re the one dri…...
2022/11/19 21:16:57