- 通过本实验，用户可以快速掌握鲲鹏数学库的安装与使用，并对所涉及的数学库性能表现有清晰认识。 通过本实验，用户可以快速掌握鲲鹏数学库的安装与使用，并对所涉及的数学库性能表现有清晰认识。
- 华为云CodeArts Governance开源治理服务是针对软件研发提供的一站式开源软件治理平台，从合法合规、网络安全、供应安全等维度消减开源软件使用风险。最新特性源码成分分析专业版与二进制成分分析专业版已开启公测。 随着开源软件广泛应用，颠覆性技术不断涌现，如何在软件开发全流程中保障开源安全，成为企业面对的重要挑战。根据研究数据显示，全球超过99%的商业软件含有开源组件，75%商业软件直... 华为云CodeArts Governance开源治理服务是针对软件研发提供的一站式开源软件治理平台，从合法合规、网络安全、供应安全等维度消减开源软件使用风险。最新特性源码成分分析专业版与二进制成分分析专业版已开启公测。 随着开源软件广泛应用，颠覆性技术不断涌现，如何在软件开发全流程中保障开源安全，成为企业面对的重要挑战。根据研究数据显示，全球超过99%的商业软件含有开源组件，75%商业软件直...
- HarmonyOS应用开发实战-开箱即用的首页页面构建与ArkTS解析【HarmonyOS 5.0（Next）】 一、HarmonyOS Next 5.0的优势AI能力：HarmonyOS Next 5.0通过系统级AI能力，将AI下沉至操作系统并赋能给多个子系统，从而提升了应用的智能化体验。例如，小艺助手在HarmonyOS Next 5.0中得到了显著增强，其记忆能力、知识问答能力以... HarmonyOS应用开发实战-开箱即用的首页页面构建与ArkTS解析【HarmonyOS 5.0（Next）】 一、HarmonyOS Next 5.0的优势AI能力：HarmonyOS Next 5.0通过系统级AI能力，将AI下沉至操作系统并赋能给多个子系统，从而提升了应用的智能化体验。例如，小艺助手在HarmonyOS Next 5.0中得到了显著增强，其记忆能力、知识问答能力以...
- 问题现象在K8s集群内部署了一个推理实例，然后需要能从另外一个VPC访问。之前集群这么访问都是OK的，但是一个新建的集群发现不通，需要定位原因。 确定只是端口不通首先我们在节点B里面curl 目标节点IP2+NodePort，发现是不通的。报错：Connection refused。大家知道，Connection refused代表，报文到达对方了，但是对方拒收。说明指定的端口并没有在监听。... 问题现象在K8s集群内部署了一个推理实例，然后需要能从另外一个VPC访问。之前集群这么访问都是OK的，但是一个新建的集群发现不通，需要定位原因。 确定只是端口不通首先我们在节点B里面curl 目标节点IP2+NodePort，发现是不通的。报错：Connection refused。大家知道，Connection refused代表，报文到达对方了，但是对方拒收。说明指定的端口并没有在监听。...
- 本案例主要介绍Z企业如何通过华为云Landing Zone专业服务，构建架构卓越、安全合规、可扩展的多账号运行环境，在此基础上精益IT治理体系，实现“人财物权法”的有序和集中管控。 本案例主要介绍Z企业如何通过华为云Landing Zone专业服务，构建架构卓越、安全合规、可扩展的多账号运行环境，在此基础上精益IT治理体系，实现“人财物权法”的有序和集中管控。
- W公司在2024年XX市“攻防演练”中，与华为云合作，通过7*24小时安全监控、全流量威胁检测和资产梳理等措施，有效提升了安全防护能力，荣获“优秀防守单位”称号，成功实现了“0” 失分目标。此次演练不仅强化了W公司的日常安全运营，还推动了从DevOps到DevSecOps的转变。 W公司在2024年XX市“攻防演练”中，与华为云合作，通过7*24小时安全监控、全流量威胁检测和资产梳理等措施，有效提升了安全防护能力，荣获“优秀防守单位”称号，成功实现了“0” 失分目标。此次演练不仅强化了W公司的日常安全运营，还推动了从DevOps到DevSecOps的转变。
- 随着微服务架构的流行，Docker作为容器化技术的领导者，在企业级应用部署中扮演着重要角色。掌握Docker的高级特性，特别是网络配置和服务编排，对于构建高效、可维护的分布式系统至关重要。本文将深入探讨Docker的网络配置选项、容器间通信机制、端口映射技术以及使用Docker Compose进行多容器应用部署的最佳实践。 随着微服务架构的流行，Docker作为容器化技术的领导者，在企业级应用部署中扮演着重要角色。掌握Docker的高级特性，特别是网络配置和服务编排，对于构建高效、可维护的分布式系统至关重要。本文将深入探讨Docker的网络配置选项、容器间通信机制、端口映射技术以及使用Docker Compose进行多容器应用部署的最佳实践。
- 在当今数字化时代，信息技术（IT）已成为我们生活和工作中不可或缺的一部分。无论是个人还是企业，掌握IT基础知识都是至关重要的。本文将带你深入了解IT的基础知识，包括计算机硬件、软件以及网络基础。 在当今数字化时代，信息技术（IT）已成为我们生活和工作中不可或缺的一部分。无论是个人还是企业，掌握IT基础知识都是至关重要的。本文将带你深入了解IT的基础知识，包括计算机硬件、软件以及网络基础。
- 离线策略修正分层强化学习，Hierarchical Reinforcement Learning with Off-Policy Correction (HIRO) 是一种基于分层强化学习的算法，旨在解决长时间跨度和稀疏奖励问题。HIRO 特别引入了离策略（off-policy）校正机制，允许高层策略利用低层策略的经验，而不会因为低层策略的更新而产生偏差。 离线策略修正分层强化学习，Hierarchical Reinforcement Learning with Off-Policy Correction (HIRO) 是一种基于分层强化学习的算法，旨在解决长时间跨度和稀疏奖励问题。HIRO 特别引入了离策略（off-policy）校正机制，允许高层策略利用低层策略的经验，而不会因为低层策略的更新而产生偏差。
- 动态分层强化学习，Dynamic Hierarchical Reinforcement Learning (DHRL) 是一种自适应分层强化学习算法，其目标是根据任务和环境的复杂性动态地构建、修改和利用分层策略。DHRL 不仅仅是预定义层次结构的简单执行，而是允许代理在学习过程中根据需要动态生成和调整分层策略，从而实现更好的任务分解和高效学习。 DHRL 扩展了传统的分层强化学习（HRL），通过动 动态分层强化学习，Dynamic Hierarchical Reinforcement Learning (DHRL) 是一种自适应分层强化学习算法，其目标是根据任务和环境的复杂性动态地构建、修改和利用分层策略。DHRL 不仅仅是预定义层次结构的简单执行，而是允许代理在学习过程中根据需要动态生成和调整分层策略，从而实现更好的任务分解和高效学习。 DHRL 扩展了传统的分层强化学习（HRL），通过动
- Options Framework（选项框架）是分层强化学习中的一种经典方法，旨在通过将动作抽象化为**选项（Options）**来简化复杂任务的学习过程。基于Sutton等人提出的选项框架（Options Framework），其中选项是从一个子任务执行到完成的高层决策链。高层决策什么时候调用特定选项，低层负责具体执行选项的策略。 选项框架允许智能体在多个时间步内选择并执行较高级别的策略，而不 Options Framework（选项框架）是分层强化学习中的一种经典方法，旨在通过将动作抽象化为**选项（Options）**来简化复杂任务的学习过程。基于Sutton等人提出的选项框架（Options Framework），其中选项是从一个子任务执行到完成的高层决策链。高层决策什么时候调用特定选项，低层负责具体执行选项的策略。 选项框架允许智能体在多个时间步内选择并执行较高级别的策略，而不
- 半马尔可夫决策过程，Semi-Markov Decision Processes (SMDP) 是一种用于分层强化学习的模型，适用于那些包含不规则时间步或长期延迟决策的任务。相比于标准的马尔可夫决策过程（Markov Decision Process, MDP），SMDP 能够处理不同时间间隔之间的决策问题，因此在强化学习中广泛应用于分层结构，尤其是需要长时间跨度或多步策略的复杂任务中。 半马尔可夫决策过程，Semi-Markov Decision Processes (SMDP) 是一种用于分层强化学习的模型，适用于那些包含不规则时间步或长期延迟决策的任务。相比于标准的马尔可夫决策过程（Markov Decision Process, MDP），SMDP 能够处理不同时间间隔之间的决策问题，因此在强化学习中广泛应用于分层结构，尤其是需要长时间跨度或多步策略的复杂任务中。
- Hierarchical-DQN (Hierarchical Deep Q-Network) 是一种分层强化学习算法，专门设计用于解决复杂的任务，通过将任务分解为层次化的子任务来学习。它结合了深度 Q 网络（DQN）和分层强化学习的思想，将复杂任务分解为多个具有不同时间尺度的子任务。Hierarchical-DQN 的设计思路和 FeUdal Networks 类似，都是通过层次结构来解决长时间跨 Hierarchical-DQN (Hierarchical Deep Q-Network) 是一种分层强化学习算法，专门设计用于解决复杂的任务，通过将任务分解为层次化的子任务来学习。它结合了深度 Q 网络（DQN）和分层强化学习的思想，将复杂任务分解为多个具有不同时间尺度的子任务。Hierarchical-DQN 的设计思路和 FeUdal Networks 类似，都是通过层次结构来解决长时间跨
- Hierarchical Actor-Critic (HAC) 算法是一种用于分层强化学习（Hierarchical Reinforcement Learning, HRL）的算法，由Levy等人在2019年提出。HAC的目的是通过分层结构，将复杂任务分解为不同的时间尺度的子任务，从而更高效地学习策略。该算法使用了两层的Actor-Critic架构来实现策略和值函数的学习，并通过子任务的分解来降低 Hierarchical Actor-Critic (HAC) 算法是一种用于分层强化学习（Hierarchical Reinforcement Learning, HRL）的算法，由Levy等人在2019年提出。HAC的目的是通过分层结构，将复杂任务分解为不同的时间尺度的子任务，从而更高效地学习策略。该算法使用了两层的Actor-Critic架构来实现策略和值函数的学习，并通过子任务的分解来降低
- FeUdal Networks（FuN）是一种分层强化学习（Hierarchical Reinforcement Learning, HRL）算法，由Google DeepMind团队提出。该算法的灵感来源于层级控制结构，将任务分解为高层目标和低层执行细节，从而提高强化学习在复杂环境中的效率。与传统的强化学习算法不同，FeUdal Networks将学习过程分为不同的层次，每个层次的角色不同，但都 FeUdal Networks（FuN）是一种分层强化学习（Hierarchical Reinforcement Learning, HRL）算法，由Google DeepMind团队提出。该算法的灵感来源于层级控制结构，将任务分解为高层目标和低层执行细节，从而提高强化学习在复杂环境中的效率。与传统的强化学习算法不同，FeUdal Networks将学习过程分为不同的层次，每个层次的角色不同，但都
上滑加载中
推荐直播
-
华为云码道Agent集成与鸿蒙实战2026/08/11 周二 19:00-21:00
王一男-华为云码道产品规划专家；李炎-华为云码道产品专家；彭江敏-华为云鸿蒙端云一体化开发专家
本次直播带你解读华为云码道7月份产品新特性、新功能。更有专家演示码道Agent Space × 钉钉机器集成实战，从0到1打通消息通道；码道鸿蒙端云一体化实战，快速搭建员工签到系统。
回顾中 -
华为云开发者AI素养直播课·第五期2026/09/04 周五 16:00-18:00
林华鼎-华为云AI开发者运营负责人；蒋春阳-华为云AI开发者案例开发专家
本期直播内容： AI工具体验营 · 第5-8课连讲。Agent-Team 多智能体协作完成毕业设计实践
回顾中 -
华为云开发者AI素养ClassRoom·第六期2026/09/08 周二 19:00-20:00
樊渊-2026华为软件挑战赛冠军
高手来了：看软挑高手解析二维排样问题—从工业难题到算法突破
回顾中
热门标签