开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

为什么这会收敛到3而不是pi？

这个问题涉及到数学和物理领域的知识。在数学中，π（pi）是一个无理数，其近似值约为3.14159。它是圆的周长与直径之比，是一个常数。

然而，在物理领域中，特别是在计算机科学和工程中，我们通常使用近似值3来代替π。这是因为在实际应用中，使用3作为π的近似值可以简化计算，并且在大多数情况下不会引入太大的误差。

使用3作为π的近似值有以下几个原因：

简化计算：π是一个无理数，无法精确表示，而使用3作为近似值可以简化计算过程，减少复杂度。
误差可接受：在大多数实际应用中，使用3作为π的近似值不会引入太大的误差。对于一些需要更高精度的计算，可以使用更接近π的近似值，如3.14或3.14159。
工程实践：在工程实践中，使用3作为π的近似值已经被广泛接受和应用。这是因为在实际工程中，往往存在其他因素和误差，π的精确值并不是决定性因素。

需要注意的是，尽管在实际应用中使用3作为π的近似值是常见的做法，但在一些特定的领域和应用中，需要更高精度的计算时，会使用更接近π的近似值或者直接使用π的精确值。

腾讯云相关产品和产品介绍链接地址：

腾讯云计算服务：https://cloud.tencent.com/product
腾讯云数据库：https://cloud.tencent.com/product/cdb
腾讯云服务器：https://cloud.tencent.com/product/cvm
腾讯云人工智能：https://cloud.tencent.com/product/ai
腾讯云物联网：https://cloud.tencent.com/product/iot
腾讯云存储：https://cloud.tencent.com/product/cos
腾讯云区块链：https://cloud.tencent.com/product/baas
腾讯云元宇宙：https://cloud.tencent.com/product/mu

相关搜索:为什么这会导致带有字符的无限循环，而不是双精度？为什么这会导致连接而不是将两个数字相加？为什么在matlab中sin(pi)不是精确的，而sin(pi/2)是精确的？为什么文本框打印为"3-“而不是"-3"？为什么在这段代码中返回5而不是3？为什么这会给我一个PHP 7.2上的语法错误，而不是PHP 7.4.5？为什么PayPal会重定向到首页而不是支付页面？为什么DateTime到Unix时间使用double而不是整数？GATT错误133当连接到树莓pi 3b+时，而不是当连接到arduino？当使用带有LAPACKE_sgetrs的行时，为什么必须使用ldb=1 (而不是3，而不是n)？为什么我的LiveCharts片段图创建3个图表而不是3个切片有没有办法将EGL绘制到/dev/fb1而不是/dev/fb0，而不是在Raspberry Pi上复制数据？为什么地址被重定向到端口8080而不是端口80？为什么会打印“创建实例数: 0”而不是“创建实例数: 3"？Symfony3:为什么选择提交关键文本而不是它的值当给定3的位掩码时，为什么printf()打印21而不是11？为什么此规则尝试重定向到文件系统路径而不是url？为什么检索到的数据显示为空，而不是输出正确的数字？在这段代码中，为什么" this“最终被绑定到窗口对象而不是数组b？为什么django allauth重定向到/account/login/？=next/MY_PAGE而不是登录？

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

详解蒙特卡洛方法：这些数学你搞懂了吗？

之前我们讨论过马尔可夫决策过程（MDP，参阅 https://goo.gl/wVotRL）以及寻找最优的动作-价值函数

00

详解蒙特卡洛方法：这些数学你搞懂了吗？

加州大学洛杉矶分校计算机科学专业的 Ray Zhang 最近开始在自己的博客上连载介绍强化学习的文章，这些介绍文章主要基于 Richard S. Sutton 和 Andrew G. Barto 合著的《Reinforcement Learning: an Introduction》，并添加了一些示例说明。该系列文章现已介绍了赌博机问题、马尔可夫决策过程和蒙特卡洛方法。本文是对其中蒙特卡洛方法文章的编译。更多相关文章和最新更新可访问：https://oneraynyday.github.io

01

ϵ-greedy Policies

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

02

「HDU6158」 The Designer（圆的反演）

T（<=1200）组，如图在半径R1、R2相内切的圆的差集位置依次绘制1,2,3,到n号圆，求面积之和（n<=1e7)。

03

Metropolis-Hastings 和 Gibbs sampling

本文介绍了 Metropolis-Hastings 和 Gibbs sampling 这两种常用的 MCMC（马尔科夫链蒙特卡洛）算法，以及如何在技术社区中帮助用户解决高维空间的采样问题。

09

强化学习之蒙特卡洛方法介绍

在强化学习问题中，我们可以用马尔可夫决策过程（MDP）和相关算法找出最优行动值函数 q∗(s,a)和v∗(s)，它通过策略迭代和值迭代找出最佳策略。

03

强化学习从基础到进阶-案例与实践[2]：马尔科夫决策、贝尔曼方程、动态规划、策略价值迭代

图 2.1 介绍了强化学习里面智能体与环境之间的交互，智能体得到环境的状态后，它会采取动作，并把这个采取的动作返还给环境。环境得到智能体的动作后，它会进入下一个状态，把下一个状态传给智能体。在强化学习中，智能体与环境就是这样进行交互的，这个交互过程可以通过马尔可夫决策过程来表示，所以马尔可夫决策过程是强化学习的基本框架。

04

简单易学的机器学习算法——马尔可夫链蒙特卡罗方法MCMC

对于一般的分布的采样，在很多的编程语言中都有实现，如最基本的满足均匀分布的随机数，但是对于复杂的分布，要想对其采样，却没有实现好的函数，在这里，可以使用马尔可夫链蒙特卡罗(Markov Chain Monte Carlo, MCMC)方法，其中Metropolis-Hastings采样和Gibbs采样是MCMC中使用较为广泛的两种形式。

03

Pre-training到底有没有用？何恺明等人新作：Rethinking ImageNet Pre-training

使用基于ImageNet预训练（Pre-training）的网络已成为计算机视觉任务中一种常规的操作。何恺明等人在新作Rethinking ImageNet Pre-training中使用详细的对比实验和分析提出了对基于ImageNet预训练的新的思考。研究发现，对于在COCO数据集上的目标检测和实例分割任务，使用随机初始化的参数会收敛的更慢，但最终所达到的结果不比使用在ImageNet上预训练的参数差。

02

MCMC(二)马尔科夫链

在MCMC(一)蒙特卡罗方法中，我们讲到了如何用蒙特卡罗方法来随机模拟求解一些复杂的连续积分或者离散求和的方法，但是这个方法需要得到对应的概率分布的样本集，而想得到这样的样本集很困难。因此我们需要本篇讲到的马尔科夫链来帮忙。

强化学习从基础到进阶-常见问题和面试必知必答3：表格型方法：Sarsa、Qlearning；蒙特卡洛策略、时序差分等以及Qlearning项目实战

状态、动作、状态转移概率和奖励，分别对应$(S,A,P,R)$，后面有可能会加上折扣因子构成五元组。

01

资源 | 跟着Sutton经典教材学强化学习中的蒙特卡罗方法（代码实例）

大数据文摘出品作者：Ray Zhang 编译：halcyon、龙牧雪用动态规划去解决强化学习的相关问题基本够了，但还是有很多限制。比如，你知道现实世界问题的状态转移概率吗？你能从任意状态随机开始吗？你的MDP是有限的吗？好消息是，蒙特卡罗方法能解决以上问题！蒙特卡罗是一种估计复杂的概率分布的经典方法。本文部分内容取自Sutton的经典教材《强化学习》，并提供了额外的解释和例子。初探蒙特卡罗蒙特卡罗模拟以摩纳哥的著名赌场命名，因为机会和随机结果是建模技术的核心，它们与轮盘赌，骰子和老虎机等游戏非常相

07

简单介绍下consul底层的通信协议Gossip

明天早上还有个维护，今天需要早点休息，简单写写consul内部的通讯协议吧。

02

从SARSA算法到Q-learning with ϵ-greedy Exploration算法

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

02

强化学习从基础到进阶-常见问题和面试必知必答[2]：马尔科夫决策、贝尔曼方程、动态规划、策略价值迭代

（2）另外，我们想把不确定性也表示出来，希望尽可能快地得到奖励，而不是在未来的某个时刻得到奖励。

02

图文详解PID调参

在工程中，如果我们要用单片机做一个温控系统，其系统组成一般如下：一个采集温度的ADC，一个输出温度的加热头以及一个用于运行控制算法的单片机，如果我们要维持温度为100度，在不加任何控制算法的情况下，我们可以通过简单的阈值判断法来控制温度，一个if判断语句，当采集到的温度大于100时，单片机控制加热头关闭，当采集的温度小于100度时，单片机则控制加热头开启，简单粗暴，但这样的控制方法，最终所展示出来的温度曲线是极其不稳定的，他会由于控制器件的灵敏程度、加热头的性能等等原因，导致最终的温度曲线会在目标周围震荡，达不到理想的控制效果，就像下图：实际曲线（黑线）在目标曲线（红线）周围抖动

01

PageRank 算法初步了解

因为想做一下文本自动摘要，文本自动摘要是NLP的重要应用，搜了一下，有一种TextRank的算法，可以做文本自动摘要。其算法思想来源于Google的PageRank，所以先把PageRank给了解一下。

02

Hands on Reinforcement Learning 04 Dynamic programming

动态规划（dynamic programming）是程序设计算法中非常重要的内容，能够高效解决一些经典问题，例如背包问题和最短路径规划。动态规划的基本思想是将待求解问题分解成若干个子问题，先求解子问题，然后从这些子问题的解得到目标问题的解。动态规划会保存已解决的子问题的答案，在求解目标问题的过程中，需要这些子问题答案时就可以直接利用，避免重复计算。本章介绍如何用动态规划的思想来求解在马尔可夫决策过程中的最优策略。

03

强化学习从基础到进阶--案例与实践含面试必知必答10：模仿学习、行为克隆、逆强化学习、第三人称视角模仿学习、序列生成和聊天机器人

模仿学习（imitation learning，IL）讨论的问题是，假设我们连奖励都没有，要怎么进行更新以及让智能体与环境交互呢？模仿学习又被称为示范学习（learning from demonstration），学徒学习（apprenticeship learning），观察学习（learning by watching）。在模仿学习中，有一些专家的示范，智能体也可以与环境交互，但它无法从环境里得到任何的奖励，它只能通过专家的示范来学习什么是好的，什么是不好的。其实，在多数情况下，我们都无法从环境里得到非常明确的奖励。例如，如果是棋类游戏或者是电玩，我们将会有非常明确的奖励。但是多数的情况都是没有奖励的，以聊天机器人为例，机器人与人聊天，聊得怎样算是好，聊得怎样算是不好，我们是无法给出明确的奖励的。

00

每日一练6.13

解；根据\ln(1+x)0时，所以\ln(\frac{n+1}{n})=\ln(1+\frac{1}{n})<\frac{1}{n}

03

Prometheus一条告警是怎么触发的

Prometheus+Grafana是监控告警解决方案里的后起之秀，比如大家熟悉的PMM，就是使用了这个方案；前不久罗老师在3306pi公众号上就写过完整的使用教程《构建狂拽炫酷屌的MySQL 监控平台》，所以我们在这里就不再赘述具体如何搭建使用。

02

马尔可夫链

马尔可夫链 X_{1}, X_{2}, \cdots 描述了一个状态序列，其中每个状态值取决于前一个状态。 X_{t} 为随机变量, 称为时刻 t 的状态, 其取值范围称作状态空间。

01

PARL源码走读：使用策略梯度算法求解迷宫寻宝问题

作为一个强化学习小白，本人怀着学习的心态，安装并运行了PARL里的quick-start。不体验不知道，一体验吓一跳，不愧是NeurIPS 2018 冠军团队的杰作，代码可读性良好，函数功能非常清晰，模块之间耦合度低、内聚性强。不仅仅适合零基础的小白快速搭建DRL环境，也十分适合科研人员复现论文结果。

02

考研竞赛每日一练 day 28 利用级数收敛性估计函数值的大小问题

利用级数收敛性估计函数值的大小问题设 \displaystyle f(x)=\sum_{n=1}^{\infty}\dfrac{\cos nx }{\sqrt{n^3+n}} ， F(x) 是 f(x) 的原函数， F(0)=0 ，证明： \dfrac{\sqrt{2}}{2}-\dfrac{1}{15} < F(\dfrac{\pi}{2}) < \dfrac{\sqrt{2}}{2} 解析：根据三阶函数的有界性，有 |\dfrac{\cos nx}{\sqrt{n^3+n}}|\leq \dfrac{

02

漫画：最新科技 "傅里叶在概论中的应用" 之劝退篇

今天是小浩算法“365刷题计划”之傅里叶劝退篇。本文由群员“abcwuhang”提供，按照原话来讲，属于 “精心准备的最新科技”，玩笑归玩笑，有兴趣的学习一下吧！（看不懂没关系，拉到底部抽个奖还是可以的）

01

强化学习-3：动态规划 planning by dynamic programming（DP）

\[ v_{\pi}(s)=\max _{a \in \mathcal{A}} q_{\pi}(s, a) \] 主动改变策略，策略改变之后进行评估根据q值，从集合A中选a，更新策略\(\pi\)，使新q大于之前一步 \[ q_{\pi}\left(s, \pi^{\prime}(s)\right)=\max _{a \in \mathcal{A}} q_{\pi}(s, a) \geq q_{\pi}(s, \pi(s))=v_{\pi}(s) \] 所以

02

Bandit算法在携程推荐系统中的应用与实践

导读：携程作为全球领先的 OTA 服务平台，为用户提供诸多推荐服务。下面我们介绍几个在实际推荐场景中面临的问题：

02

[一起学RL] 策略迭代和值迭代

上一次分享了十个问题认识MDP，强化学习的目的是要找到一个策略π，使得累积回报的期望最大。这次和大家分享如何在MDP下做决策以及如何得到各个状态对应不同动作下的v值。如果想详细学习的可前往“参考”中的链接。

03

Matlab滤波器设计：Z变换与Z逆变换原理及Matlab实现代码

Z变换在离散时间信号与系统中的地位相当于拉普拉斯变换在连续时间信号与系统中的地位。它可以求解常系数差分方程，进而估算一个线性时不变系统的响应及线性滤波器的设计。

01

粒子群算法及其改进算法

粒子群优化（PSO）算法是Kennedy和Eberhart受鸟群群体运动的启发于1995年提出的一种新的群智能优化算法[1]。大概的意思就是一片森林里有一群鸟在找一块食物，它们不知道食物具体在哪，但是可以通过感官（例如嗅觉）去察觉到自己当前位置距离食物的远近。鸟可以记住自己走过的位置并且知道自己做过的最优位置。这一群鸟的运动都是随机的，这类似于一种穷举法。

02

强化学习（三）用动态规划（DP）求解

在强化学习（二）马尔科夫决策过程(MDP)中，我们讨论了用马尔科夫假设来简化强化学习模型的复杂度，这一篇我们在马尔科夫假设和贝尔曼方程的基础上讨论使用动态规划(Dynamic Programming, DP)来求解强化学习的问题。

04

Hands on Reinforcement Learning Basic Chapter

亲爱的读者，欢迎来到强化学习的世界。初探强化学习，你是否充满了好奇和期待呢？我们想说，首先感谢你的选择，学习本书不仅能够帮助你理解强化学习的算法原理，提高代码实践能力，更能让你了解自己是否喜欢决策智能这个方向，从而更好地决策未来是否从事人工智能方面的研究和实践工作。人生中充满选择，每次选择就是一次决策，我们正是从一次次决策中，把自己带领到人生的下一段旅程中。在回忆往事时，我们会对生命中某些时刻的决策印象深刻：“还好我当时选择了读博，我在那几年找到了自己的兴趣所在，现在我能做自己喜欢的工作！”“唉，当初我要是去那家公司实习就好了，在那里做的技术研究现在带来了巨大的社会价值。”通过这些反思，我们或许能领悟一些道理，变得更加睿智和成熟，以更积极的精神来迎接未来的选择和成长。

01

考研竞赛每日一练 day 11 一道微分方程加上幂级数拆分以及应用的综合题

【分析】：（1）由原函数与函数的关系，将原等式关系可以变成函数的微分方程，后面利用三角函数的周期性可以解出；（2）收敛域根据定义求，和函数采用裂项拆分成两个幂级数的和，再利用马克劳林公式求和即可。

03

最全的机器学习中的优化算法介绍

在机器学习中，有很多的问题并没有解析形式的解，或者有解析形式的解但是计算量很大（譬如，超定问题的最小二乘解），对于此类问题，通常我们会选择采用一种迭代的优化方式进行求解。

03

机器学习深度学习中激活函数sigmoid relu tanh gelu等汇总整理

这篇博客主要总结一下常用的激活函数公式及优劣势，包括sigmoid relu tanh gelu

04

【ML】一文详尽系列之EM算法

EM 算法，全称 Expectation Maximization Algorithm。期望最大算法是一种迭代算法，用于含有隐变量（Hidden Variable）的概率参数模型的最大似然估计或极大后验概率估计。

01

一文详尽解释EM算法

EM 算法，全称 Expectation Maximization Algorithm。期望最大算法是一种迭代算法，用于含有隐变量（Hidden Variable）的概率参数模型的最大似然估计或极大后验概率估计。

01

概率论与数理统计

设\lbrace{X_n}\rbrace为一随机变量序列。目标：X为一随机变量（或a为常数）。

01

【机器学习】一文详尽系列之EM算法

EM 算法，全称 Expectation Maximization Algorithm。期望最大算法是一种迭代算法，用于含有隐变量（Hidden Variable）的概率参数模型的最大似然估计或极大后验概率估计。

02

数列不解释系列之函数极限

私以为,所谓专业, 就是熟练, 有货要倒得出, 说的明白, 所有才有这一系列文章, 我将分享在学数学过程中的一些栗子, 我尽量讲的深入浅出, 希望大家能够喜欢.

01

啊！圆周率怎么玩？

圆周率是圆的周长与直径的比值，一般用希腊字母π表示，是一个在数学及物理学中普遍存在的数学常数。π也等于圆形之面积与半径平方之比，是精确计算圆周长、圆面积、球体积等几何形状的关键值。

03

基于Spark的ID Mapping——Spark实现离线不相交集计算

最近在开发一个ID Mapping业务系统——识别数据上报中社交账号的关联关系，找到系统中哪些社交账号属于现实世界中的同一个人。简单来讲，如果同一条上报数据中出现了两个社交账号（比如一个手机号和一个QQ号），就认为这两个社交账号在现实世界属于同一个人。那么，如何计算这个关联关系呢？

深度学习面试必备的25个问题

答：否则，我们将获得一个由多个线性函数组成的线性函数，那么就成了线性模型。线性模型的参数数量非常少，因此建模的复杂性也会非常有限。

01

一文了解采样方法

作者 | DarkScope，蚂蚁金服高级算法工程师，致力于算法技术的创新和实际应用，乐于通过博客的方式对技术进行分享和探讨。

02

马尔可夫链蒙特卡洛（MCMC）算法

在之前的推送中我们了解到什么是马尔可夫链（Markov Chain)。下面我们来介绍一下马尔可夫链蒙特卡洛算法（Markov Chain Monte Carlo)，在此之前，我们需要回顾一下马尔可夫

09

初探粒子群优化算法（PSO）[通俗易懂]

粒子群优化算法（PSO）最初是由Kennedy和Eberhart博士于1995年受人工生命研究的结果启发，在模拟鸟群觅食过程中的迁徙和群集行为时提出的一种基于群体智能的演化计算技术。 PSO是一种随机全局优化技术，通过粒子间的相互作用发现复杂搜索空间中的最优区域。由于PSO算法独特的优势，在工程领域中收到研究者的广泛关注。 PSO算法归根到底是一种利用随机法求多维函数特定区域的最值的算法。

03

一文看懂常用的梯度下降算法

作者：叶虎编辑：祝鑫泉一概述梯度下降算法（Gradient Descent Optimization）是神经网络模型训练最常用的优化算法。对于深度学习模型，基本都是采用梯度下降算法来进

matlab逆变的参数设计,基于Matlab的孤立逆变电源设计方案 – 全文

基于Matlab软件平台，采用双环控制策略设计的逆变源，利用Matlab-Simulink-SimPowerSystems的工具箱进行建模仿真，验证了本文所设计方案的可行性和有效性。

01

13.YOLO系列算法详解1:YOLOV2

这部分基本是在YOLOV1的基础上的一些改进，并且还提出了YOLO9000(9000类检测，恐怖)。文章主要是三个部分，名字也起的很简洁： Better，Faster,Stronger。

04

核心算法：谷歌如何从网络的大海里捞到针

作者: David Austin，Grand Valley State University

08

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭