これは、DNNが特徴抽出に優れているためである(画像ならばCNNなど)。 ただ、ニューラルネットワークを使うことで学習時間が長くなるなどのデメリットも発生する(詳細はDay5)。 価値評価を、パラメーターを持った関数で実装する 状態を受け取り、行動価値(=Q)を出力する関数(Q-function)を、ニ...
下記画像で、初見でつまづきそうなポイントに注釈を入れてみました。特に式展開においては、「確率変数ベクトルX、Yに対し、それらが独立なら、AX+BYの分散共分散行列はAΣXAT+BΣYBTになる」という内容がよく出てくるので、おさえておくと良いと思います。(Σは分散共分散行列の意味です。V[...
u[0..n-1],du[0..n-1]をまとめて扱うのがコツです. 上の画像はu,下の画像はu′の時間発展を表しています.fig,ax = plt.subplots() ax.imshow(sol.y.T[:,:nx],cmap='jet') fig,ax = plt.subplots() ax.imshow(sol.y.T[:,nx:],cmap='jet') ...
これは、DNNが特徴抽出に優れているためである(画像ならばCNNなど)。 ただ、ニューラルネットワークを使うことで学習時間が長くなるなどのデメリットも発生する(詳細はDay5)。 価値評価を、パラメーターを持った関数で実装する 状態を受け取り、行動価値(=Q)を出力する関数(Q-function)を、ニ...
画像比較時に画像をnumpy配列とする必要があるので変換if 'img_mae' in locals() : ループ初回時はimg_maeが未定義なので画像比較をしないための条件分岐。初回は比較せずに保存して、img_mae = img_imaで次の比較用として代入cv2.createBackgroundSubtractorMOG2() : 背景差分用のインスタンス生成...
これは、DNNが特徴抽出に優れているためである(画像ならばCNNなど)。 ただ、ニューラルネットワークを使うことで学習時間が長くなるなどのデメリットも発生する(詳細はDay5)。 価値評価を、パラメーターを持った関数で実装する 状態を受け取り、行動価値(=Q)を出力する関数(Q-function)を、...
ところで、dataの可視化の際は慣習的なx軸とy軸の正方向とiとjの正方向を合わせるために、data[0,0]が左下にくるように設定するのがよいでしょう。このとき(転置をしない限り2)、data[i,j]のxy座標上の位置は(j,i)となります。これは、たとえば強度分布の重心を求める計算で出てできたイ...
これは、DNNが特徴抽出に優れているためである(画像ならばCNNなど)。 ただ、ニューラルネットワークを使うことで学習時間が長くなるなどのデメリットも発生する(詳細はDay5)。 価値評価を、パラメーターを持った関数で実装する 状態を受け取り、行動価値(=Q)を出力する関数(Q-function)を、...
これは、DNNが特徴抽出に優れているためである(画像ならばCNNなど)。 ただ、ニューラルネットワークを使うことで学習時間が長くなるなどのデメリットも発生する(詳細はDay5)。 価値評価を、パラメーターを持った関数で実装する 状態を受け取り、行動価値(=Q)を出力する関数(Q-function)を、...