linux定时任务,linux培训班,linux解压zip命令,linux解压gz文件的命令

简介：

ns3-gym应用是由ns-3与OpenAI Gym集成在一起，主要用于网络研究中的强化学习。?作为集合标准，ns3-gym的结合主要有两个优点。首先经过验证的ns-3模型以及使用Python库制作RL代理原型更加具有简便性；其次，ns3gym促进ns3和openAI两个领域的进步，以加快研究和开发基于RL的网络问题控制算法的速度。

参考官网教程：　GitHub - tkn-tub/ns3-gym: ns3-gym - The Playground for Reinforcement Learning in Networking Research

里面的安装教程已经很详细了，而且可以下载源码下载ns3gym安装包。

******下面是我自己的安装说明和一些自己安装过程中的一些错误分享，希望对阅读这篇文章的小伙伴有所帮助～～～

１：终端安装ns3的依赖包（之前安装过ns3的小伙伴可以忽略该步骤）

注：可能会有某些库安装失败，不过不会对后面造成影响，如果需要，后期使用时可以再单独安装

２：创建虚拟环境

1)首先查看当前自己电脑有哪些环境　

2)创建自己的虚拟环境

　　

　注：?其中env_name是虚拟环境名，python=...是自己电脑上的python版本号

３）激活并进入虚拟环境

4)退出当前虚拟环境

３：安装protoc

1)检查当前系统的protoc安装环境

检查protobuf-compiler和?libprotobuf-dev的版本信息，然后在protoc官网上：protobuf ・ PyPI　下载对应版本。我的?libprotobuf-dev和protobuf-compiler均是3.0.0，所以下载的是protoc-3.0.0版本。

注：这里下载相应版本非常重要，如果版本不对应，后期编译过程中很大概率会出现错误。

２)完成下载后，根据下面指令进行protobuf的安装：

解压　 ?

编译安装

检测是否安装成功

若出现类似图片的版本信息，则表明protocbuf安装成功。

４：虚拟环境安装ns3gym

１)编译ns3gym环境

将下载的ns3gym解压后放至创建的虚拟环境目录中，然后打开终端进行编译

出现下图所示界面表示编译成功（我之前已经编译成功，所以此处直接显示的编译结果，没有过程）

２）安装ns3gym

３）检测

运行程序未报错，则安装成功，恭喜恭喜，congratulation！！！至此ns3gym安装完毕，开始学习之旅吧～～～

这里分享一下对我在安装过程遇到的错误以及解决方法，希望对大家有所帮助。

１ ：

google::protobuf::io::CodedInputStream::ReadVarintSizeAsIntFallback()' local_trajectory_builder_options_2d.pb.cc:(.text+0x15a2): undefined reference to?google::protobuf::io::CodedInputStream::DecrementRecursionDepthAndPopLimit(int)' local_trajectory_builder_options_2d.pb.cc:(.text+0x161c): undefined reference to?google::protobuf::io::CodedInputStream::ReadVarintSizeAsIntFallback()' local_trajectory_builder_options_2d.pb.cc:(.text+0x1777): undefined reference to?google::protobuf::io::CodedInputStream::ReadVarintSizeAsIntFallback()' local_trajectory_builder_options_2d.pb.cc:(.text+0x183f): undefined reference to?google::protobuf::io::CodedInputStream::ReadVarintSizeAsIntFallback()' local_trajectory_builder_options_2d.pb.cc:(.text+0x18c7): undefined reference to?google::protobuf::io::CodedInputStream::ReadVarint64Fallback()' local_trajectory_builder_options_2d.pb.cc:(.text+0x1a64): undefined reference to?cartographer::mapping::proto::LocalTrajectoryBuilderOptions2D::InternalSerializeWithCachedSizesToArray(bool, unsigned char*) const': local_trajectory_builder_options_2d.pb.cc:(.text+0x20b3): undefined reference to?

此类未定义引用问题通常是因为读者小伙伴在安装的过程出现protobuf版本混乱导致。

解决方法：首先卸载原有的protobuf版本，卸载过程这里不赘述了，网上卸载教程很多，读者简单搜索一下就好了，只是有一点需要注意。卸载protubuf一定要卸载得彻底干净，卸载得彻底干净，卸载得彻底干净。卸载完成后可以利用　"protoc --version"　查看，如果依旧出现版本信息就说明没有卸载干净。卸载完成后，参考第３点安装说明，"$sudo apt-cache showpkg <....>"查看系统的protobuf-compiler和libprotobuf-dev版本，重新下载版本一致的protobuf。

２：pip install出现? ?Read timed out　的错误，安装进程中止

这是由于网络原因导致，可以尝试设置超时时间和利用镜像网址两种办法。

方法１：设置超时时间：延迟100s（如果依旧 time out，可以增大延迟时间设置，比如500,1000,.....）

方法２：采用镜像网站

比如对于tensorflow的安装中止，可以采用

可以发现，下载速度明显有 kb/s 瞬间提升为 M/s，国内镜像网址还有

本人也是小白一枚，文章如有错误地方希望大家多多谅解，这次ns3gym的安装也花费了好多时间，尤其是第一个版本问题，之前尝试了好多版本，学习了网上好多资料，最后安装了和libprotobuf-dev一致的版本才成功。将本次经验分享给大家，希望能给帮助正在学习安装ns3gym的小伙伴尽快完成install，感谢阅读，我们下次再见！！！！

---

red hat 6 linux系统如何设置网络网关 linux ifconfig临时增加网关地址

修改虚拟机的ip地址： 进入如下界面，直接修改子网ip即可。 查看网关： Linux网络环境配置： 第一种方式（自动获取）： 说明：登陆后，通过界面来设置自动获取ip 我们先进入设置： 把自动连接勾上然后点应用。之后每次启动系统的时候就可以自动连接网络了。 特点：Linux启动后会自动获取ip，缺点是每次自动获取的ip地址可能不一样，这种方法不适用于做服务器，因为我们服务器的ip需要实时固定。 第二种方法：（指定固顶的ip） 说明： 直接修改配置文件来指定ip，并可以链接到外网（程序员推荐），编辑 vim /etc/sysconfig/network-scripts/ifcfg

---

NeurIPS 2021教程｜OpenAI

neurips2023截稿日期,neurips2023,neurips怎么读,NeurIps poster算长文吗

【导读】NeurIPS，全称神经信息处理系统大会（Conference and Workshop on Neural Information Processing Systems），作为关于机器学习和计算神经科学的国际会议，每年固定在12月举行，由NIPS基金会主办。NeurIPS是机器学习领域的顶级会议 ，是神经计算方面最好的会议之一 。在中国计算机学会的国际学术会议排名中，NeurIPS为人工智能领域的A类会议。NeurIPS 2021于12月6日-12月14日在加拿大蒙特利尔采用线上线下结合的方式举办。

来自OpenAI的研究人员Lilian Weng和Jong Wook Kim对自监督学习做了最新的报告，非常值得关注。

Lilian Weng现为OpenAI应用人工智能研究负责人，主要从事机器学习、深度学习和网络科学研究 。她本科毕业于香港大学，硕士就读于北京大学信息系统与计算机科学系，之后前往印度安纳大学布鲁顿分校攻读博士。

Lilian Weng经常在个人博客分享学习和工作笔记，感兴趣的可以戳这里：

Jong Wook Kim，OpenAI研究技术人员，参与Jukebox和CLIP这样的项目。研究兴趣包括大规模多模态深度学习和音乐理解。

自监督学习：自预测与对比学习

自监督学习是一种很好的方法，可以从大量的未标记数据中提取训练信号，并学习良好的表示，以方便下游的任务，在这些任务中收集特定于任务的标签非常昂贵。本教程将着重介绍自监督学习的两种主要方法:自预测和对比学习。自预测是指自监督的训练任务，在这种训练任务中，模型学会从剩余数据中预测一部分可用数据。对比学习是通过从数据集构造相似和不同的对，来学习一个相似数据样本保持相近而不同数据样本相距较远的表示空间。本教程将涵盖这两个主题和跨各种应用程序的方法，包括视觉、语言、视频、多模态和强化学习。

● 导论 Introduction: motivation, basic concepts, examples.

● 早期工作 Early work: look into connection with old methods.

● 方法 Methods

● 前置任务 Pretext tasks: a wide range of literature review.

● 技术 Techniques: improve training efficiency.

● 未来方向 Future directions