XiaoMi-AI文件搜索系统
World File Search System矢量化
脱落脑培养的星形胶质细胞中氧化石墨纳米果液诱导的质膜囊泡
微囊泡（MVS），大脑普遍的细胞至关重要地有助于细胞间通信，代表了能够传播并主动将信号分子从星形胶质素传播到神经元的关键矢量化系统，最终调节靶细胞功能。这些信号系统的临床相关性的增加需要对MV特征有更深入的了解，该特征当前受纳米级维度和构成释放率低的限制。因此，为了研究此类神经胶质信号的特征，基于纳米技术的方法以及需要在生成MV时的非常规，具有成本效益的工具的应用。Here, small graphene oxide (s-GO) nano fl akes are used to boost MVs shedding from astrocytes in cultures and s-GO generated MVs are compared with those generated by a natural stimulant, namely ATP, by atomic force microscopy, light scattering, attenuated total re fl ection e fourier transform infra-red and ultraviolet resonance Raman spectroscopy.我们还报告了两种MVS的能力，在斑块夹紧培养的神经元的急性和短暂暴露后，调节基础突触传播，诱导合成活性的稳定增加，并伴随着神经元质膜膜膜弹性特征的变化。©2021作者。由Elsevier Ltd.这是CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）下的开放访问文章。
使用高级机器学习模型在YouTube评论上检测垃圾邮件：比较研究Gregorius Airlangga 1* 1 Atma Jaya天主教大学
摘要在YouTube等平台上产生的用户生成内容的指数增长导致垃圾邮件评论的增加，这对用户体验和内容审核的工作产生了负面影响。本研究介绍了各种机器学习模型的全面比较研究，用于检测YouTube上的垃圾评论。该研究评估了一系列传统和集合模型，包括线性支持向量分类器（LinearsVC），Randomforest，LightGBM，XGBoost和fotingClassifier，目的是识别自动垃圾邮件检测的最有效方法。数据集由标记的YouTube注释组成，并使用术语频率插图频率（TF-IDF）矢量化进行文本预处理。使用分层的10倍交叉验证对每个模型进行训练和评估，以确保鲁棒性和概括性。LinearsVC优于所有其他模型，其精度为95.33％，F1得分为95.32％。该模型表现出优异的精度（95.46％）和召回（95.33％），使其在区分垃圾邮件和合法评论方面非常有效。结果突出了线性垃圾邮件检测系统的线性潜力，在准确性和计算效率之间提供了可靠的平衡。此外，研究表明，尽管Random Forest和投票classifier之类的集合模型表现良好，但在这种情况下它们并没有超过更简单的线性模型。未来的工作将探索深度学习技术的结合，例如卷积神经网络（CNN）和经常性神经网络（RNN），以捕获更复杂的模式并进一步提高YouTube等社交媒体平台上的垃圾邮件检测准确性。
用于高效近传感器数据分析的低功耗跨精度浮点集群
摘要 — 低功耗（1-20 mW）近传感器计算的最新应用需要采用浮点算法来协调高精度结果和宽动态范围。在本文中，我们提出了一种低功耗多核计算集群，该集群利用跨精度计算的细粒度可调原理，以最低的功率预算为近传感器应用提供支持。我们的解决方案基于开源 RISC-V 架构，将并行化和子字矢量化与专用互连设计相结合，能够在内核之间共享浮点单元 (FPU)。在此架构的基础上，我们提供了全面的软件堆栈支持，包括并行低级运行时、编译工具链和高级编程模型，旨在支持端到端应用程序的开发。我们对周期精确的 FPGA 仿真器上的跨精度集群的设计空间进行了详尽的探索，并改变了内核和 FPU 的数量以最大限度地提高性能。正交地，我们进行了垂直探索，以确定在非功能性要求（工作频率、功率和面积）方面最有效的解决方案。我们对一组代表近传感器处理域的基准进行了实验评估，并通过对功耗进行布局布线后分析来补充时序结果。与最先进的技术相比，我们的解决方案在能源效率方面优于竞争对手，在单精度标量上达到 97 Gflop/s/W 的峰值，在半精度矢量上达到 162 Gflop/s/W。最后，一个实际用例证明了我们的方法在满足精度约束方面的有效性。
使用高级机器学习
在全球范围内，农业对于人类粮食，经济活动和就业机会至关重要。小麦是农业中种植最多的农作物；但是，其年产量面临着各种疾病的巨大挑战。及时，准确地鉴定这些小麦植物疾病对于减轻大坝并提高总体产量至关重要。巴基斯坦由于天气良好和生产丰富的土壤而站在主要的作物生产商中。但是，传统的农业实践持续存在，并且不足以利用技术。农业部门面临的重大挑战，尤其是在巴基斯坦等国家，是对作物疾病的不合时宜和效率低下的诊断。现有的疾病鉴定方法通常会导致不准确和效率低下，从而降低生产率。这项研究提出了有效的小麦作物疾病诊断应用程序，该诊断适用于移动设备和计算机系统作为主要决策引擎。应用程序利用了复杂的机器学习技术，包括决策树（DT），随机森林（RF），支持向量机（SVM）和ADABOOST，并结合了特征提取方法，例如计数矢量化（CV）和术语频率内部文档频率（TF-IDF）。这些高级方法在诊断14种关键小麦疾病方面共同实现了99％的准确性，这对传统方法有了显着改善。该申请为巴基斯坦的农民和农业专家提供了一种实用的决策工具，提供精确的疾病诊断和管理改革。通过整合这些尖端技术，该系统可以发展农业技术，增强疾病检测并支持增加的小麦生产，从而为机器学习和农业实践的领域贡献了宝贵的创新。
一种基于深度学习的药物发现算法，其示例是开发用于治疗肺癌的药物
在这项研究中，我们提出了一个算法框架，该算法框架集成了用于发现新型小分子抗肿瘤剂的创建软件平台。在对抗肺癌的背景下，我们的方法被例证了。在初始阶段，完成了治疗干预的靶标识别。利用深度学习，我们仔细检查了基因表达方案，重点是与肺癌患者不良临床结果相关的基因表达。增加了这种生成对抗神经（GAN）网络来积累其他患者数据。这项努力产生了与不利预后相关的基因的一部分。我们进一步采用了深度学习来描述能够根据表达模式区分正常和肿瘤组织的基因。其余基因被指定为精确肺癌治疗的潜在靶标。随后，制定了一个专用模块，以预测抑制剂和蛋白质之间的相互作用。为了实现这一目标，将参与蛋白质相互作用的蛋白质氨基酸序列和化合物制剂编码为矢量化表示。此外，通过对细胞系进行实验，开发了一个基于深度学习的组件，以预测IC 50值。使用这些抑制剂的虚拟临床前试验促进了随后的实验室测定的相关细胞系的选择。总而言之，我们的研究最终导致了几种小分子公式的推导，这些公式预测将有选择地与特定蛋白结合。该算法平台有望加速抗肿瘤化合物的识别和设计，这是推进目标癌症疗法的关键追求。
![arxiv：2502.07284v1 [cs.cr] 2025年2月11日](/simg/d\df3ff0a7ad3180706db8db5ea47d521c49976c22.webp)
arxiv：2502.07284v1 [cs.cr] 2025年2月11日
摘要。基于晶格的密码学是量子后安全加密方案的有前途的基础，其中有错误的学习（LWE）问题是钥匙交换，收益和同构计算的基石。LWE的现有结构化变体，例如Ring-Lwe（RLWE）和Module-Lwe（MLWE），依靠多项式环以提高效率。但是，这些结构固有地遵循传统的多项式乘法规则，并以它们表示结构化矢量化数据的能力来实现。这项工作介绍了多种元素（VLWE），这是建立在代数几何形状基于代数几何形状的新的结构化晶格概率。与RLWE和MLWE不同，后者使用标准乘法使用多项式环，VLWE在代数品种定义的多元多项式环上使用VLWE操作。一个关键的区别是这些多项式不包含混合变量，并且乘法操作是定义的坐标，而不是通过标准的多项式乘法。该结构可以直接编码和同态处理高维数据，同时保持最差的案例至平均案例硬度降低。我们通过将VLWE的安全性降低到解决理想SVP的多个独立实例中，证明了其针对分类和量子攻击的弹性。此外，我们分析了混合代数武器攻击的影响，表明现有的Gröbner基础和降低技术并不能直接损害VLWE的安全性。建立在该基础上，我们基于VLWE构建了矢量同态加密方案，该方案支持结构化计算，同时维持受控的噪声增长。此方案为隐私的机器学习，加密搜索和对结构化数据的计算进行了潜在的优势。我们的结果位置VLWE是基于晶格的密码学中的一种新颖而独立的范式，杠杆几何形状可以使新的加密功能超出传统的多项式戒指。
来自超曲线和应用的内态环的计算取向
摘要。这项工作介绍了几种与超椭圆形曲线内态环中的方向相关的算法。这个问题归结为通过三元二次形式代表整数，这是关于基于亚速基因的密码学中定向曲线安全的几个结果的核心。我们的主要贡献是表明存在有效的算法，这些算法可以解决该问题的二次判别n，直到O（p 4 /3）。我们的方法通过将其从O（P）增加到O（P 4 /3）并消除一些启发式方法来改善先前的结果。我们介绍了新算法的几种变体，并对它们的渐近运行时间进行了仔细的分析（在可能的情况下没有启发式）。我们一种变体之一的最佳证明的渐近复杂性平均是O（n 3 /4 / p）。最好的启发式变体对于足够大的n具有O（p 1/3）的复杂性（p 1/3）。然后，我们介绍了有关在方向订单之间的理想计算的几个结果。第一个应用是简化从矢量化到计算内态态环的已知还原，从而消除了对判别物分解的假设。作为第二个应用，我们将计算固定级别的等级曲线之间的计算问题与内态曲线中的计算计算问题之间的问题联系起来，并且我们表明，对于D度D度，我们的新算法在很大程度上，我们的新算法会改善整个问题的范围，并且在重要的特殊案例中，并且在Polynomial dimial dimial alg aS and and and and and and and and and and and and and and and and and and and and and and and and and and and and nismial alg alg nomial alg nomial alg nomial alg nomial alg nomial alg。在最特殊的情况下，当这两种曲线都以小度的内态性为导向时，我们从启发式上表明我们的技术允许计算任何程度的同基因，假设它们存在。
国际杂志 - 多学科研究
摘要：由于冠状病毒已经出现，因此，合法临床资源的无法访问达到顶峰，例如缺乏专家和医护人员，缺乏适当的设备和药品等。整个医疗兄弟会处于困境中，这导致了许多个人的灭亡。由于无法获得，个人开始独立服用药物而无需进行适当的咨询，这使健康状况比平时更糟。最近，机器学习在众多应用中都很有价值，并且自动化创新工作有所增加。本文打算提出一种可以大大减少专家堆的药物推荐系统。在这项研究中，我们构建了一个医学建议系统，该系统使用患者评论来使用弓，TF-IDF，Word2VEC和手动功能分析等各种矢量化过程来预测情绪，该过程可以通过不同的分类算法帮助推荐给定疾病的顶级药物。通过精确度，召回，F1SCORE，准确性和AUC分数评估预测的观点。结果表明，使用TF-IDF矢量化的分类器线性化优于所有其他模型，其精度为93％。关键字：情感分析，机器学习，药物评论，建议系统，自然语言处理I.介绍电晕病毒病例的数量成倍增长，各国面临医生的短缺，尤其是在与城市地区相比少的专家数量的农村地区。医生大约需要6到12年才能获得必要的资格。因此，可以在短时间内迅速扩大医生的数量。在这个困难时期，远程医疗框架应该尽可能地充满活力。临床失误如今非常常规。由于处方错误，中国超过20万人在美国每年受到影响。超过40％的药物，专家在开处方时会犯错误，因为专家构成了其知识所引用的解决方案，这是非常限制的。选择高级药物对于需要了解有关微观生物，抗菌药物和患者的广泛信息的患者很重要。每天都有一项新的研究随附更多的药物，测试，每天都有临床人员使用。相应地，事实证明，医生要根据过去的临床病史选择哪种治疗或药物给患者的治疗或药物逐渐挑战。这项研究工作分为五个部分：引言领域，提供了有关这项研究需求的简短见解，相关的工作部分对先前研究的研究领域进行了简洁的见解，方法论部分包括本研究中采用的方法，结果段评估了使用各种衡量标准的应用模型的局限性，该部分的限制了框架的限制，并结束了框架和最后一部分。目标情感分析：确定药物评论的情感（正，阴性，中性）。用户界面：开发一个直观界面供用户输入药物评论并收到建议。建议系统：根据用户偏好和审查观点提供个性化的药物建议。数据收集来源：从在线药物审查平台，医疗保健论坛或公共数据集中收集数据，例如Kaggle的药物评论数据集。属性：包括药物名称，经过治疗的状况，审查文本，评级和审查日期。
反义寡核苷酸的强大世界：从实验室到临床
对生物机制的理解使得开发第一种靶向疗法成为可能。这些疗法最初针对的是导致疾病或与疾病特别相关的蛋白质。对 ER 在乳腺癌中的作用的理解以及对其阻断机制的识别推动了针对所谓“激素依赖性”乳腺癌（ER 阳性、雌激素受体阳性）的激素疗法的开发。他莫昔芬现在是 ER 阳性乳腺癌的标准治疗方法。它通过竞争性抑制雌二醇与其受体的结合起作用（Jordan，2003 年）。针对特定表位的单克隆抗体也构成了一类非常重要的靶向疗法。它们彻底改变了哮喘等炎症性疾病的治疗（Pelaia 等人，2017 年）。然而，对导致疾病的基因变异的识别为使用靶向疗法提供了主要动力。例如，相互易位t(9; 22)，即费城染色体，是慢性粒细胞白血病 (CML) 的标志。因此，t(9;22) 易位最先用于确诊 CML (Heisterkamp 等，1990 年；Rowley，1973 年)。这种易位会产生异常的融合基因 (BCR-ABL)。由此产生的 BCR-ABL 融合蛋白由于其组成性酪氨酸激酶活性而具有致癌特性 (Lugo、Pendergast、Muller 和 Witte，1990 年)。与蛋白激酶催化位点结合的 ATP 竞争性抑制剂的开发导致了一种特异性疗法：伊马替尼或 Gleevec ®，从而彻底改变了 CML 和其他疾病的治疗方式 (Kantarjian 和 Talpaz，2001 年)。同样，致癌 NTRK（神经营养性原肌球蛋白相关激酶）融合基因的鉴定最近导致了特异性抑制剂（larotrectinib 或 Vitrakvi ®、entrectinib 或 Rozlytrek ®）的开发，用于治疗成人和儿童的 NTRK 阳性癌症（Cocco、Scaltriti & Drilon，2018 年）。在肿瘤学中，针对复发性点突变的特异性抑制剂也得到了广泛开发（Martini、Vecchione、Siena、Tejpar & Bardelli，2012 年；Skoulidis & Heymach，2019 年）。在某些情况下，会产生很少或根本不产生蛋白质。胰岛素就是这种情况，胰岛素依赖型糖尿病（I 型）患者缺乏这种酶。患者接受胰岛素疗法治疗，通过施用替代蛋白质来忠实重现胰岛素生理分泌的效果。 1982 年，第一种人类胰岛素蛋白上市，开创了一种新模式：可以修改激素蛋白的序列，使其药代动力学特性与患者的生理需求相匹配（McCall & Farhy，2013 年）。除了这些“蛋白质特异性”疗法外，还开发了针对 DNA（脱氧核糖核酸）的方法。至于蛋白质，最初的治疗尝试是基于对 DNA 的整体改变，例如通过使用烷化剂。这些药物会诱导非特异性共价键的产生，从而产生 DNA 加合物。它们会破坏复制和转录，这解释了它们在癌症治疗中的用途（Noll、Mason 和 Miller，2006 年）。插入也是小平面分子与 DNA 的一种特殊结合模式。它们会改变 DNA 的构象，破坏 DNA 和 RNA 聚合酶的活性（Binaschi、Zunino 和 Capranico，1995 年）。靶向 DNA 的分子并不局限于肿瘤学应用。例如，甲氨蝶呤是一种在细胞周期 S 期抑制核酸合成的抗代谢物，它已经取代了传统上使用的银盐用于治疗类风湿性关节炎（Browning、Rice、Lee 和 Baker，1947 年）。除了这些以非特异性方式与 DNA 相互作用的分子之外，人们还设想了针对性策略，以纠正导致疾病的有害基因。这种方法被称为基因疗法（Kaufmann、Büning、Galy、Schambach 和 Grez，2013 年）。一个非常有前景的例子（正在申请上市许可 [MA]）涉及治疗 β 地中海贫血症，这是一种血红蛋白遗传性疾病。在这里，患者的干细胞被分离并被改造以替换有害基因，这样它们就可以产生正常的血红蛋白。然后将改造后的细胞注射回患者体内（Cavazzana-Calvo 等人，2010 年；Thompson 等人，2018 年）。这些令人惊叹的方法可以用于治疗许多疾病，包括糖尿病，尽管它们的实施非常复杂。最后，长期以来被认为是简单中间分子的 mRNA 最近已成为感兴趣的治疗靶点。 mRNA 是精细转录和转录后调控的位点，与许多疾病有关。因此，近年来 RNA 分子也受到关注，因为这些分子与蛋白质和 DNA 一样，是开发靶向疗法的候选分子（Disney、Dwyer 和 Childs-Dis-ney，2018 年）。第一种反义寡核苷酸 (ASO) 就是在这种背景下出现的。ASO 是单链合成 RNA 或 DNA 分子，平均长度为 12 至 25 个核苷酸。它们的序列与其靶标的序列互补，以确保特异性。因此，ASO 的序列由其靶标的序列决定。此外，这些分子可以定位在细胞质和细胞核中，从而可以到达细胞质和/或细胞核靶标（参见 Potaczek、Garn、Unger 和 Renz，2016 年的综述）。 ASO 经过化学改性，免受核酸酶的作用（否则会降解它们），并允许它们穿过质膜而无需矢量化。根据这些变化，ASO 可分为三代（如下所述）（图 1）。ASO 的化学性质很重要，因为它决定了其作用方式（降解目标 RNA 或掩盖位点而不降解）。因此，ASO 可以进行广泛的调节，
pdf div>
1主要功能3 1.1安装。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。3 1.2入门。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。5 1.3强化学习技巧和技巧。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。6 1.4强化学习资源。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。12 1.5 RL算法。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。12 1.6示例。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。13 1.7矢量化环境。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。28 1.8政策网络。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。47 1.9使用自定义环境。 。 。47 1.9使用自定义环境。。。。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>56 1.10回调。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>584 1.11张板集成。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>69 1.12集成。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>77 1.13 RL基线3动物园。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>82 1.14 SB3囊泡。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。84 1.15稳定的基线JAX（SBX）。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。85 1.16模仿学习。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。86 1.17从稳定的生物线迁移。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。87 1.18与NAN和INF一起挖掘。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 90 1.19开发人员指南。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。87 1.18与NAN和INF一起挖掘。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。90 1.19开发人员指南。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。93 1.20节省和加载。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。95 1.21导出模型。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。96 1.22基础RL类。。。。。。。。。。。。。。。。。。。。。。。。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>100 1.23 A2C。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>110 1.24 DDPG。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div>110 1.24 DDPG。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。。。。。。123 1.25 DQN。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。133 1.26她的。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。143 1.27 ppo。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。147 1.28囊。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。160 1.29 TD3。。。。。。。。。。。。。。。。。。。。。。。。。。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>172 1.30 Atari包装纸。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 183 1.31环境用途。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div>172 1.30 Atari包装纸。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>183 1.31环境用途。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>186 1.32自定义环境。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。188 1.33概率分布。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。192 1.34评估助手。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。206 1.35健身环境检查器。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。207 1.36监视器包装器。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。207 1.37记录仪。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。209 1.38动作噪声。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。218 1.39 UTILS。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。218 1.39 UTILS。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。219