[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-revenol--DROO":3,"tool-revenol--DROO":65},[4,23,32,40,49,57],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":22},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",85052,2,"2026-04-08T11:03:08",[13,14,15,16,17,18,19,20,21],"图像","数据工具","视频","插件","Agent","其他","语言模型","开发框架","音频","ready",{"id":24,"name":25,"github_repo":26,"description_zh":27,"stars":28,"difficulty_score":29,"last_commit_at":30,"category_tags":31,"status":22},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,3,"2026-04-04T04:44:48",[17,13,20,19,18],{"id":33,"name":34,"github_repo":35,"description_zh":36,"stars":37,"difficulty_score":29,"last_commit_at":38,"category_tags":39,"status":22},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。\n\n面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。\n\nPaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。",75149,"2026-04-08T11:09:19",[19,13,20,18],{"id":41,"name":42,"github_repo":43,"description_zh":44,"stars":45,"difficulty_score":46,"last_commit_at":47,"category_tags":48,"status":22},3215,"awesome-machine-learning","josephmisiti\u002Fawesome-machine-learning","awesome-machine-learning 是一份精心整理的机器学习资源清单，汇集了全球优秀的机器学习框架、库和软件工具。面对机器学习领域技术迭代快、资源分散且难以甄选的痛点，这份清单按编程语言（如 Python、C++、Go 等）和应用场景（如计算机视觉、自然语言处理、深度学习等）进行了系统化分类，帮助使用者快速定位高质量项目。\n\n它特别适合开发者、数据科学家及研究人员使用。无论是初学者寻找入门库，还是资深工程师对比不同语言的技术选型，都能从中获得极具价值的参考。此外，清单还延伸提供了免费书籍、在线课程、行业会议、技术博客及线下聚会等丰富资源，构建了从学习到实践的全链路支持体系。\n\n其独特亮点在于严格的维护标准：明确标记已停止维护或长期未更新的项目，确保推荐内容的时效性与可靠性。作为机器学习领域的“导航图”，awesome-machine-learning 以开源协作的方式持续更新，旨在降低技术探索门槛，让每一位从业者都能高效地站在巨人的肩膀上创新。",72149,1,"2026-04-03T21:50:24",[20,18],{"id":50,"name":51,"github_repo":52,"description_zh":53,"stars":54,"difficulty_score":46,"last_commit_at":55,"category_tags":56,"status":22},2234,"scikit-learn","scikit-learn\u002Fscikit-learn","scikit-learn 是一个基于 Python 构建的开源机器学习库，依托于 SciPy、NumPy 等科学计算生态，旨在让机器学习变得简单高效。它提供了一套统一且简洁的接口，涵盖了从数据预处理、特征工程到模型训练、评估及选择的全流程工具，内置了包括线性回归、支持向量机、随机森林、聚类等在内的丰富经典算法。\n\n对于希望快速验证想法或构建原型的数据科学家、研究人员以及 Python 开发者而言，scikit-learn 是不可或缺的基础设施。它有效解决了机器学习入门门槛高、算法实现复杂以及不同模型间调用方式不统一的痛点，让用户无需重复造轮子，只需几行代码即可调用成熟的算法解决分类、回归、聚类等实际问题。\n\n其核心技术亮点在于高度一致的 API 设计风格，所有估算器（Estimator）均遵循相同的调用逻辑，极大地降低了学习成本并提升了代码的可读性与可维护性。此外，它还提供了强大的模型选择与评估工具，如交叉验证和网格搜索，帮助用户系统地优化模型性能。作为一个由全球志愿者共同维护的成熟项目，scikit-learn 以其稳定性、详尽的文档和活跃的社区支持，成为连接理论学习与工业级应用的最",65709,"2026-04-08T08:24:55",[20,18,14],{"id":58,"name":59,"github_repo":60,"description_zh":61,"stars":62,"difficulty_score":10,"last_commit_at":63,"category_tags":64,"status":22},3364,"keras","keras-team\u002Fkeras","Keras 是一个专为人类设计的深度学习框架，旨在让构建和训练神经网络变得简单直观。它解决了开发者在不同深度学习后端之间切换困难、模型开发效率低以及难以兼顾调试便捷性与运行性能的痛点。\n\n无论是刚入门的学生、专注算法的研究人员，还是需要快速落地产品的工程师，都能通过 Keras 轻松上手。它支持计算机视觉、自然语言处理、音频分析及时间序列预测等多种任务。\n\nKeras 3 的核心亮点在于其独特的“多后端”架构。用户只需编写一套代码，即可灵活选择 TensorFlow、JAX、PyTorch 或 OpenVINO 作为底层运行引擎。这一特性不仅保留了 Keras 一贯的高层易用性，还允许开发者根据需求自由选择：利用 JAX 或 PyTorch 的即时执行模式进行高效调试，或切换至速度最快的后端以获得最高 350% 的性能提升。此外，Keras 具备强大的扩展能力，能无缝从本地笔记本电脑扩展至大规模 GPU 或 TPU 集群，是连接原型开发与生产部署的理想桥梁。",63927,"2026-04-04T15:24:37",[20,14,18],{"id":66,"github_repo":67,"name":68,"description_en":69,"description_zh":70,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":79,"owner_location":79,"owner_email":80,"owner_twitter":79,"owner_website":79,"owner_url":81,"languages":82,"stars":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":10,"env_os":91,"env_gpu":92,"env_ram":93,"env_deps":94,"category_tags":102,"github_topics":79,"view_count":10,"oss_zip_url":79,"oss_zip_packed_at":79,"status":22,"created_at":103,"updated_at":104,"faqs":105,"releases":135},5599,"revenol\u002FDROO","DROO","Deep Reinforcement Learning for Online Computation Offloading in Wireless Powered Mobile-Edge Computing Networks","DROO 是一款基于深度强化学习的开源算法工具，专为无线供电移动边缘计算网络设计。在物联网场景中，设备往往依赖无线充电且计算能力有限，如何实时决定是将任务留在本地处理还是卸载到边缘服务器，是一个极具挑战的优化难题。DROO 正是为了解决这一“在线计算卸载”问题而生，它能够根据实时变化的无线信道增益，快速生成最优的二进制卸载决策，从而在动态环境中最大化系统效率。\n\n该工具特别适合通信领域的研究人员、算法工程师以及对边缘计算感兴趣的高校师生使用。其核心亮点在于将复杂的资源分配问题转化为深度神经网络可解的形式，不仅支持经典的 TensorFlow 1.x，还贴心地提供了适配 TensorFlow 2 和 PyTorch 的版本，代码结构清晰，便于复现论文结果或进行二次开发。此外，DROO 还内置了多种演示脚本，可模拟设备权重交替或随机开关机等复杂场景，帮助开发者验证算法在不同条件下的鲁棒性。如果你正在探索单时隙优化方案，DROO 是一个高效且易上手的起点；若需处理多时隙连续控制问题，作者也推荐参考其进阶项目 LyDROO。","# DROO\n\n*Deep Reinforcement Learning for Online Computation Offloading in Wireless Powered Mobile-Edge Computing Networks*\n\nPython code to reproduce our DROO algorithm for Wireless-powered Mobile-Edge Computing [1], which uses the time-varying wireless channel gains as the input and generates the binary offloading decisions. It includes:\n\n- [memory.py](memory.py): the DNN structure for the WPMEC, inclduing training structure and test structure, implemented based on [Tensorflow 1.x](https:\u002F\u002Fwww.tensorflow.org\u002Finstall\u002Fpip).\n  - [memoryTF2.py](memoryTF2.py): Implemented based on [Tensorflow 2](https:\u002F\u002Fwww.tensorflow.org\u002Finstall).\n  - [memoryPyTorch.py](memoryPyTorch.py): Implemented based on [PyTorch](https:\u002F\u002Fpytorch.org\u002Fget-started\u002Flocally\u002F).\n- [optimization.py](optimization.py): solve the resource allocation problem\n\n- [data](.\u002Fdata): all data are stored in this subdirectory, includes:\n\n  - **data_#.mat**: training and testing data sets, where # = {10, 20, 30} is the user number\n\n- [main.py](main.py): run this file for DROO, including setting system parameters, implemented based on [Tensorflow 1.x](https:\u002F\u002Fwww.tensorflow.org\u002Finstall\u002Fpip)\n  - [mainTF2.py](mainTF2.py): Implemented based on [Tensorflow 2](https:\u002F\u002Fwww.tensorflow.org\u002Finstall). Run this file for DROO if you code with Tensorflow 2.\n  - [mainPyTorch.py](mainPyTorch.py): Implemented based on [PyTorch](https:\u002F\u002Fpytorch.org\u002Fget-started\u002Flocally\u002F). Run this file for DROO if you code with PyTorch.\n\n- [demo_alternate_weights.py](demo_alternate_weights.py): run this file to evaluate the performance of DROO when WDs' weights are alternated\n\n- [demo_on_off.py](demo_on_off.py): run this file to evaluate the performance of DROO when some WDs are randomly turning on\u002Foff\n\n\n## Cite this work\n\n1. L. Huang, S. Bi, and Y. J. Zhang, “[Deep reinforcement learning for online computation offloading in wireless powered mobile-edge computing networks](https:\u002F\u002Fieeexplore.ieee.org\u002Fdocument\u002F8771176),” IEEE Trans. Mobile Compt., vol. 19, no. 11, pp. 2581-2593, November 2020.\n\n```\n@ARTICLE{huang2020DROO,  \nauthor={Huang, Liang and Bi, Suzhi and Zhang, Ying-Jun Angela},  \njournal={IEEE Transactions on Mobile Computing},   \ntitle={Deep Reinforcement Learning for Online Computation Offloading in Wireless Powered Mobile-Edge Computing Networks},   \nyear={2020},\nmonth={November},\nvolume={19},  \nnumber={11},  \npages={2581-2593},  \ndoi={10.1109\u002FTMC.2019.2928811}\n}\n```\n\n## About authors\n\n- [Liang HUANG](https:\u002F\u002Fscholar.google.com\u002Fcitations?user=NifLoZ4AAAAJ), lianghuang AT zjut.edu.cn\n\n- [Suzhi BI](https:\u002F\u002Fscholar.google.com\u002Fcitations?user=uibqC-0AAAAJ), bsz AT szu.edu.cn\n\n- [Ying Jun (Angela) Zhang](https:\u002F\u002Fscholar.google.com\u002Fcitations?user=iOb3wocAAAAJ), yjzhang AT ie.cuhk.edu.hk\n\n## Required packages\n\n- Tensorflow\n\n- numpy\n\n- scipy\n\n## How the code works\n\n- For DROO algorithm, run the file, [main.py](main.py). If you code with Tenforflow 2 or PyTorch, run [mainTF2.py](mainTF2.py) or [mainPyTorch.py](mainPyTorch.py), respectively. The original DROO algorithm is coded based on [Tensorflow 1.x](https:\u002F\u002Fwww.tensorflow.org\u002Finstall\u002Fpip). If you are fresh to deep learning, please start with [Tensorflow 2](https:\u002F\u002Fwww.tensorflow.org\u002Finstall) or [PyTorch](https:\u002F\u002Fpytorch.org\u002Fget-started\u002Flocally\u002F), whose codes are much cleaner and easier to follow.\n\n- For more DROO demos:\n  - Laternating-weight WDs, run the file, [demo_alternate_weights.py](demo_alternate_weights.\n  - ON-OFF WDs, run the file, [demo_on_off.py](demo_on_off.py)\n  - Remember to respectively edit the *import MemoryDNN* code from\n    ```\n      from memory import MemoryDNN\n    ```\n    to\n    ```\n      from memoryTF2 import MemoryDNN\n    ```\n    or\n    ```\n      from memoryPyTorch import MemoryDNN\n    ```\n    if you are using Tensorflow 2 or PyTorch. \n\n### DROO is illustrated here for single-slot optimization. If you tend to apply DROO for multiple-slot continuous control problems, please refer to our [LyDROO](https:\u002F\u002Fgithub.com\u002Frevenol\u002FLyDROO) project.\n","# DROO\n\n*无线供电移动边缘计算网络中的在线计算卸载深度强化学习*\n\n用于复现我们针对无线供电移动边缘计算的DROO算法的Python代码[1]，该算法以时变无线信道增益作为输入，并生成二进制的卸载决策。它包括：\n\n- [memory.py](memory.py)：WPMEC的DNN结构，包括训练结构和测试结构，基于[TensorFlow 1.x](https:\u002F\u002Fwww.tensorflow.org\u002Finstall\u002Fpip)实现。\n  - [memoryTF2.py](memoryTF2.py)：基于[TensorFlow 2](https:\u002F\u002Fwww.tensorflow.org\u002Finstall)实现。\n  - [memoryPyTorch.py](memoryPyTorch.py)：基于[PyTorch](https:\u002F\u002Fpytorch.org\u002Fget-started\u002Flocally\u002F)实现。\n- [optimization.py](optimization.py)：求解资源分配问题。\n\n- [data](.\u002Fdata)：所有数据存储在此子目录中，包括：\n\n  - **data_#.mat**：训练和测试数据集，其中# = {10, 20, 30}表示用户数量。\n\n- [main.py](main.py)：运行此文件以执行DROO，包括设置系统参数，基于[TensorFlow 1.x](https:\u002F\u002Fwww.tensorflow.org\u002Finstall\u002Fpip)实现。\n  - [mainTF2.py](mainTF2.py)：基于[TensorFlow 2](https:\u002F\u002Fwww.tensorflow.org\u002Finstall)实现。如果您使用TensorFlow 2进行编程，请运行此文件以执行DROO。\n  - [mainPyTorch.py](mainPyTorch.py)：基于[PyTorch](https:\u002F\u002Fpytorch.org\u002Fget-started\u002Flocally\u002F)实现。如果您使用PyTorch进行编程，请运行此文件以执行DROO。\n\n- [demo_alternate_weights.py](demo_alternate_weights.py)：运行此文件以评估当WDs权重交替变化时DROO的性能。\n\n- [demo_on_off.py](demo_on_off.py)：运行此文件以评估当部分WDs随机开关时DROO的性能。\n\n\n## 引用本工作\n\n1. L. Huang, S. Bi, 和 Y. J. Zhang, “[无线供电移动边缘计算网络中的在线计算卸载深度强化学习](https:\u002F\u002Fieeexplore.ieee.org\u002Fdocument\u002F8771176),” IEEE移动计算汇刊，第19卷，第11期，页2581-2593，2020年11月。\n\n```\n@ARTICLE{huang2020DROO,  \nauthor={Huang, Liang and Bi, Suzhi and Zhang, Ying-Jun Angela},  \njournal={IEEE Transactions on Mobile Computing},   \ntitle={无线供电移动边缘计算网络中的在线计算卸载深度强化学习},   \nyear={2020},\nmonth={十一月},\nvolume={19},  \nnumber={11},  \npages={2581-2593},  \ndoi={10.1109\u002FTMC.2019.2928811}\n}\n```\n\n## 关于作者\n\n- [Liang HUANG](https:\u002F\u002Fscholar.google.com\u002Fcitations?user=NifLoZ4AAAAJ)，lianghuang AT zjut.edu.cn\n\n- [Suzhi BI](https:\u002F\u002Fscholar.google.com\u002Fcitations?user=uibqC-0AAAAJ)，bsz AT szu.edu.cn\n\n- [Ying Jun (Angela) Zhang](https:\u002F\u002Fscholar.google.com\u002Fcitations?user=iOb3wocAAAAJ)，yjzhang AT ie.cuhk.edu.hk\n\n## 所需软件包\n\n- TensorFlow\n\n- numpy\n\n- scipy\n\n## 代码运行方式\n\n- 对于DROO算法，运行文件[main.py](main.py)。如果您使用TensorFlow 2或PyTorch编程，请分别运行[mainTF2.py](mainTF2.py)或[mainPyTorch.py](mainPyTorch.py)。原始的DROO算法是基于[TensorFlow 1.x](https:\u002F\u002Fwww.tensorflow.org\u002Finstall\u002Fpip)编写的。如果您是深度学习新手，建议从[TensorFlow 2](https:\u002F\u002Fwww.tensorflow.org\u002Finstall)或[PyTorch](https:\u002F\u002Fpytorch.org\u002Fget-started\u002Flocally\u002F)开始，它们的代码更加简洁易懂。\n\n- 更多DROO演示：\n  - 权重交替的WDs，运行文件[demo_alternate_weights.py](demo_alternate_weights.\n  - 开关状态变化的WDs，运行文件[demo_on_off.py](demo_on_off.py)\n  - 请务必根据您使用的框架，将*import MemoryDNN*代码从\n    ```\n      from memory import MemoryDNN\n    ```\n    修改为\n    ```\n      from memoryTF2 import MemoryDNN\n    ```\n    或\n    ```\n      from memoryPyTorch import MemoryDNN\n    ```\n    如果您使用的是TensorFlow 2或PyTorch。\n\n### DROO在此处展示的是单时隙优化。如果您希望将DROO应用于多时隙的连续控制问题，请参考我们的[LyDROO](https:\u002F\u002Fgithub.com\u002Frevenol\u002FLyDROO)项目。","# DROO 快速上手指南\n\nDROO 是一个基于深度强化学习（Deep Reinforcement Learning）的算法，用于解决无线供电移动边缘计算网络中的在线计算卸载问题。该工具根据时变无线信道增益生成二进制卸载决策。\n\n## 环境准备\n\n### 系统要求\n- Python 3.x\n- 支持 TensorFlow 1.x、TensorFlow 2.x 或 PyTorch 的运行环境\n\n### 前置依赖\n请确保安装以下核心依赖包：\n- `tensorflow` (推荐 TF2) 或 `torch` (PyTorch)\n- `numpy`\n- `scipy`\n\n> **提示**：原作者建议深度学习初学者优先使用 **TensorFlow 2** 或 **PyTorch** 版本，代码结构更清晰易读。原始代码基于 TensorFlow 1.x 编写。\n\n## 安装步骤\n\n1. **克隆或下载项目代码**\n   确保本地包含所有源文件（如 `main.py`, `memory.py`, `data\u002F` 等）。\n\n2. **安装 Python 依赖**\n   推荐使用国内镜像源加速安装（以清华源为例）：\n\n   ```bash\n   # 如果使用 TensorFlow 2\n   pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple tensorflow numpy scipy\n\n   # 或者使用 PyTorch (请访问 pytorch.org 获取对应版本的安装命令，以下为示例)\n   pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple torch numpy scipy\n   ```\n\n## 基本使用\n\n### 1. 运行主程序 (DROO 算法)\n\n根据你的深度学习框架选择对应的入口文件：\n\n- **TensorFlow 1.x (原始版本)**:\n  ```bash\n  python main.py\n  ```\n\n- **TensorFlow 2.x (推荐)**:\n  ```bash\n  python mainTF2.py\n  ```\n\n- **PyTorch (推荐)**:\n  ```bash\n  python mainPyTorch.py\n  ```\n\n> 程序将自动读取 `data\u002F` 目录下的数据集（如 `data_10.mat`），并进行训练与测试。\n\n### 2. 运行演示脚本 (可选)\n\n如果需要评估特定场景下的性能，可运行以下演示脚本。\n\n**注意**：若使用 TensorFlow 2 或 PyTorch，请先编辑演示脚本中的导入语句：\n将 `from memory import MemoryDNN` 修改为：\n- `from memoryTF2 import MemoryDNN` (TF2)\n- `from memoryPyTorch import MemoryDNN` (PyTorch)\n\n**演示场景：**\n\n- **交替权重场景 (Alternating-weight WDs)**:\n  ```bash\n  python demo_alternate_weights.py\n  ```\n\n- **随机开关机场景 (ON-OFF WDs)**:\n  ```bash\n  python demo_on_off.py\n  ```\n\n### 3. 多时隙连续控制扩展\n\n当前代码主要针对单时隙优化问题。如果您需要将 DROO 应用于多时隙连续控制问题，请参考作者的另一个开源项目：[LyDROO](https:\u002F\u002Fgithub.com\u002Frevenol\u002FLyDROO)。","某智慧城市交通系统需要在路边部署大量由无线能量供电的移动边缘计算节点，实时处理摄像头上传的视频分析任务。\n\n### 没有 DROO 时\n- **决策滞后严重**：传统算法难以应对毫秒级变化的无线信道增益，导致任务卸载决策总是基于过时的网络状态，错失最佳传输窗口。\n- **能耗分配不均**：在无线供能不稳定的情况下，固定规则无法动态平衡采集能量与消耗能量，常出现节点因电量耗尽而被迫停机。\n- **计算资源浪费**：缺乏智能调度，大量简单任务被错误地发送至云端或本地，造成网络拥塞或终端设备过载，整体响应延迟高达数百毫秒。\n- **适应性差**：一旦部分摄像头随机开关机或权重变化，预设的静态优化模型立即失效，需人工重新调整参数。\n\n### 使用 DROO 后\n- **实时动态决策**：DROO 利用深度强化学习直接以时变信道增益为输入，毫秒级生成最优二进制卸载策略，精准捕捉瞬时优质信道。\n- **能效自我平衡**：算法在线学习无线供能规律，自动调整任务执行节奏，确保节点在能量波动中持续稳定运行，停机率降低 90%。\n- **全局效率提升**：通过智能分配本地计算与边缘卸载比例，系统平均任务延迟从 300ms 降至 45ms，同时网络吞吐量提升 40%。\n- **鲁棒性极强**：面对设备随机启停或优先级调整，DROO 无需重新训练即可自适应新环境，保持高性能输出。\n\nDROO 将复杂的无线供能边缘计算资源分配问题转化为高效的在线智能决策，显著提升了系统在动态环境下的实时性与生存能力。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Frevenol_DROO_0e2f9fa9.png","revenol","Liang HUANG","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Frevenol_583159ca.jpg",null,"revenol@outlook.com","https:\u002F\u002Fgithub.com\u002Frevenol",[83],{"name":84,"color":85,"percentage":86},"Python","#3572A5",100,665,196,"2026-04-02T07:10:03","MIT","","未说明（基于 TensorFlow\u002FPyTorch，通常支持 CPU 运行，GPU 可加速训练）","未说明",{"notes":95,"python":96,"dependencies":97},"该工具提供三种框架实现：原始代码基于 TensorFlow 1.x，同时提供了 TensorFlow 2 和 PyTorch 版本（推荐新手使用后者）。运行前需根据使用的框架修改主程序中的导入语句（例如将 'from memory import MemoryDNN' 改为 'from memoryTF2 import MemoryDNN' 或 'from memoryPyTorch import MemoryDNN'）。数据文件存储在 data 子目录中，包含不同用户数量的训练和测试数据集。","未说明（需兼容 TensorFlow 1.x\u002F2.x 或 PyTorch 的版本）",[98,99,100,101],"tensorflow (1.x 或 2.x)","pytorch","numpy","scipy",[18],"2026-03-27T02:49:30.150509","2026-04-09T00:56:41.634047",[106,111,116,120,125,130],{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},25405,"DROO 算法属于哪种深度强化学习方法？是否支持移动网络场景？","DROO 算法设计之初即考虑了对移动性的支持，适用于具有移动性的网络环境（如车联网）。维护者明确表示该算法旨在支持包含移动节点的网络，无需额外修改即可应对设备移动带来的信道变化。","https:\u002F\u002Fgithub.com\u002Frevenol\u002FDROO\u002Fissues\u002F3",{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},25406,"公式中香农公式除以变量 Vu 的意义是什么？optimize.py 中的 p1 和 phi 函数对应什么原理？","关于公式 (3) 中香农公式除以 Vu 的含义，以及 optimize.py 代码中计算 a 与 tau 的 p1 函数和 phi 函数的具体原理，均可以在论文的参考文献 [7] 中找到详细解答。这些定义基于标准的无线通信与边缘计算模型。","https:\u002F\u002Fgithub.com\u002Frevenol\u002FDROO\u002Fissues\u002F17",{"id":117,"question_zh":118,"answer_zh":119,"source_url":115},25407,"在计算 Q 函数时，为不同用户设置不同权重的具体意义是什么？权重与运算速率有关吗？","在 DROO 的实现中，每个用户的权重通常设置为 1 或 1.5，这与设备的运算速率无关。设置不同权重的主要目的是为了模拟实际生产应用中不同用户设备的重要性差异（例如优先级不同的服务），而非反映硬件性能或获取资源量的不同。",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},25408,"项目使用的数据集来自哪里？如何生成信道数据？","项目没有使用固定的外部数据集，信道增益是随机生成的。具体的卸载决策标签是通过穷举搜索（当设备数 N=10 时，遍历 1024 种组合）或参考文献 [7] 中的 CD 算法计算得出的。对于较大的 N（如 20 或 30），由于无法枚举所有 2^N 种动作，通常采用启发式算法生成标签。","https:\u002F\u002Fgithub.com\u002Frevenol\u002FDROO\u002Fissues\u002F5",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},25409,"如何实现线性松弛（LR）算法？为什么使用 CVXPY 求解时会违反 DCP 规则？","直接使用 CVXPY 求解松弛后的 P1 问题会违反 DCP（纪律凸规划）规则，因为目标函数中包含非凸项。核心思路是利用 P1 的部分凸性：当固定卸载决策 x 时，问题变为凸优化问题（P2）。建议使用二分法（bisection algorithm）来解决 P2 子问题，具体实现可参考项目中的 `optimization.py` 文件，而不是强行用 CVXPY 求解原始的松弛问题。","https:\u002F\u002Fgithub.com\u002Frevenol\u002FDROO\u002Fissues\u002F23",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},25410,"仿真实验中的信道增益（input_h）是如何计算的？随机变量 alpha 如何取值？","信道增益基于瑞利衰落信道模型生成。其中独立随机信道衰落因子 alpha 服从单位均值的指数分布。在仿真中，虽然 alpha 是随机变量，但在具体实验设置中，衰落因子常被设定为一个取决于视距距离的平均常数值，或者在每个时隙从该指数分布中随机采样得到一个具体数值用于计算。","https:\u002F\u002Fgithub.com\u002Frevenol\u002FDROO\u002Fissues\u002F19",[]]