diff --git a/content/posts/learning/rl/actor_critic.md b/content/posts/learning/rl/actor_critic.md new file mode 100644 index 00000000..e5a2b04c --- /dev/null +++ b/content/posts/learning/rl/actor_critic.md @@ -0,0 +1,34 @@ +--- +title: 演员评论家算法 +date: 2023-10-07T14:57:55+08:00 +draft: true +categories: + - 强化学习 +tags: +--- +## 策略Policy +### 增加Baseline + +![image.png](https://cdn.statically.io/gh/SivanLaai/image-store-rep@master/note/20231008152433.png) + +上面的式子表示的是梯度上升的更新方向使得整体的loss最大。 +理想情况下，上面的三个动作abc都可以采样得到，其中c的奖励值最大，a的奖励次之，b的奖励值最小。因为所有的情况都采样到了，所以最后调整过后的概分率分布如图所示，a虽然选中的概率小，但是经过一轮采样后，概率变大了。 + +![image.png](https://cdn.statically.io/gh/SivanLaai/image-store-rep@master/note/20231008160027.png) + +假设在采样过程当中，a从来都没有被采样过，b和c的概率在采样过后都会更新并增加，结果就是a这个动作选中的概率就会下降。 + +那要怎么样解决没采样概率下降的情况呢？ + +使用一个baseline来衡量R，式子如下 ： +![image.png](https://cdn.statically.io/gh/SivanLaai/image-store-rep@master/note/20231008160525.png) + +这样下来中间的值就会是有正有负了，这个b需要自己设置。 + +这样做的好处就是，大于b的Reward对应的动作概率就会增加，而小于b的Reward对应的动作就会减小，这就可以在一定程度上避免没有采样的概率变小。 + +## 批评家Critic + +批评家不决定作什么动作，而是对演员的动作进行打分。 + +学习一个状态函数，看到一个状态s的时候累加函数的奖励值。 diff --git a/content/posts/learning/rl/q_learning.md b/content/posts/learning/rl/q_learning.md new file mode 100644 index 00000000..fd942f96 --- /dev/null +++ b/content/posts/learning/rl/q_learning.md @@ -0,0 +1,19 @@ +--- +title: Q学习算法 +date: 2023-09-28T11:52:17+08:00 +draft: false +categories: + - 强化学习 +tags: +--- +![image.png](https://cdn.statically.io/gh/SivanLaai/image-store-rep@master/note/20230928170535.png) + +状态$s_1,s_2$，动作$a_1,a_2$ +当前步的实现：$$Q(s_1,a_2)=r+\gamma \max_{a^`}(Q(s^`,a^`))$$，其中$r$表示的是采取动作$a_2$到达状态$s^`$的奖励，所以当前步的现实是包含了对于下一步采取动作$a^`$的奖励估计，也包含了到达当前状态的奖励$r$。 +当前步的估计：$$Q(s_1,a_2)$$ +当前状态的估计和现实之前的误差为：$$r+\gamma \max_{a^`}(Q(s^`,a^`))-Q(s_1,a_2)$$ +其中$\gamma$表示对未来奖励衰减参数，则更新对于$Q(s_1,a_2)$的估计：$$Q(s_1,a_2)=Q(s_1,a_2)+\alpha (r+\gamma \max_{a^`}(Q(s^`,a^`))-Q(s_1,a_2))$$ +其中$\alpha$表示误差学习参数 + +用$Q(S_1)$来简化表示从状态$S_1$出发的现实奖励，有以下推论：$$Q(S_1)=r_2+\gamma Q(S_2)=r_2+\gamma(r_3+\gamma Q(S_3))$$ +则有：$$Q(S_1)=r_2+\gamma r_3+\gamma^2 r_4+\gamma^3 r_5+\dots$$，则比较远的步骤能否学习和$\gamma$有关，$\gamma=1$则全部都能看到，为0则全部都看不到，正常情况在0到1之间。 \ No newline at end of file diff --git a/content/posts/learning/rl/rl_basic.md b/content/posts/learning/rl/rl_basic.md new file mode 100644 index 00000000..f2d781fb --- /dev/null +++ b/content/posts/learning/rl/rl_basic.md @@ -0,0 +1,54 @@ +--- +title: 简介 +date: 2023-09-28T10:36:03+08:00 +draft: false +categories: + - 强化学习 +tags: +--- +# 概念 +原先的动作是没有标签的，强化学习可以对每一个动作进行打分，然后学习，不断的迭代完成算法的学习。 +## 按环境分类 +### Model-Free RL（不理解所处环境） +环境给到什么就是什么，不理解环境是什么，这里的model表示的是环境，做出的动作完全独立于当前环境，反馈也只有在做出动作后才知道。 +- Q Learning +- Sarsa +- Policy Gradients +### Model-Based RL（理解所处环境） +模型会对真实世界进行建模，通过过往的经验先理解真实世界是怎么样的，然后建立模拟反馈，让模拟世界尽量接近于真实的世界，可以作出最好的动作。 + +## 按Policy和Value分类 + +### 基于概念分类（Policy-Based RL） +根据当前的动作计算出下一步所有可能的动作的概率，下一步的每个动作都有可能选中。（可以处理连续的情况，输出一个概率分布） +- Q Learning +### 基于价值分类（Value-Based RL） +根据当前的动作计算出下一步所有可能的动作的值，选择价值最高的动作。（离散的，不能处理连续的情况） +- Sarsa +- Policy Gradients +### 基于概念和价值结合 +- Actor-Critic +Actor做出动作，Critic对动作进行打分 + +## 按回合/单步分类 + +### 回合更新（蒙特卡罗更新） +等所有的步骤完成以后才更新 +- Policy Gradients +- Monte-Carlo Learning +### 单步更新（蒙特卡罗更新） +等当前循环中的每个单步完成以后都可以进行更新 +- 改进版Policy Gradients +- Sarsa +- Q Learning + +## 按在线/离线分类 +### 在线学习 +只能是本人玩然后本人进行学习 +- Sarsa +- Sarsa() +### 离线学习 +可以学习别人怎么玩，看着别人怎么玩进行学习，边玩边学习，可以先记下来别人怎么玩，然后在过后在自己学习，学习和作动作可以分开执行 +- Q Learning +- Deep Q Network + diff --git a/content/posts/misc/random_note.md b/content/posts/misc/random_note.md index df0564f0..71a80c85 100644 --- a/content/posts/misc/random_note.md +++ b/content/posts/misc/random_note.md @@ -3,7 +3,7 @@ title: 随笔 date: 2022-03-25 09:34:25 draft: true password: 1233 -tag: +tags: - hide --- diff --git a/content/posts/projects/rime/info.md b/content/posts/projects/rime/info.md index e50dbd1d..23e739eb 100644 --- a/content/posts/projects/rime/info.md +++ b/content/posts/projects/rime/info.md @@ -32,7 +32,7 @@ tags: - ![visitors](https://visitor-badge.laobi.icu/badge?page_id=SivanLaai/rime-pure) ## QQ群 -![](https://cdn.staticaly.com/gh/SivanLaai/image-store-rep@master/note/Rime%20Pure%20%E4%BA%A4%E6%B5%81%E7%BE%A4%E7%BE%A4%E4%BA%8C%E7%BB%B4%E7%A0%81.png) +![](https://cdn.statically.io/gh/SivanLaai/image-store-rep@master/note/Rime%20Pure%20%E4%BA%A4%E6%B5%81%E7%BE%A4%E7%BE%A4%E4%BA%8C%E7%BB%B4%E7%A0%81.png) @@ -239,7 +239,7 @@ tags:  - 1.移除九宫模式下ascii模式的切换  - 2.优化九宫数字键盘布局   - ![](https://cdn.staticaly.com/gh/SivanLaai/image-store-rep@master/note/ 20221230200634.png) + ![](https://cdn.statically.io/gh/SivanLaai/image-store-rep@master/note/ 20221230200634.png) #### 2022-11-4 diff --git a/content/posts/projects/surrogacy-website.md b/content/posts/projects/surrogacy-website.md new file mode 100644 index 00000000..96a723c0 --- /dev/null +++ b/content/posts/projects/surrogacy-website.md @@ -0,0 +1,30 @@ + +# 源码 +网站源码文件夹：```source``` +数据库初始脚本文件：```init_sql.sql``` +# 备份网站 + +- 打开网站[Dashboard | HostGator Billing/Support System](https://portal.hostgator.com/) +- 登录密码进入cPanel->Files->File Manager + +![image.png](https://cdn.statically.io/gh/SivanLaai/image-store-rep@master/note/20230619210942.png) + +- 点选主目录选中public_html + +![image.png](https://cdn.statically.io/gh/SivanLaai/image-store-rep@master/note/20230619211144.png) +- 右键点击compress根据提示进行备份 + +![image.png](https://cdn.statically.io/gh/SivanLaai/image-store-rep@master/note/20230619211251.png) + +- 鼠标选中生成的文件，点击右键然后下载到本地备份即可 + +# 数据库备份 + +- 打开网站[Dashboard | HostGator Billing/Support System](https://portal.hostgator.com/) +- 登录密码进入cPanel->DATABASES->phpMyAdmin + +![image.png](https://cdn.statically.io/gh/SivanLaai/image-store-rep@master/note/20230619211647.png) + +- 按如下操作即可把文件备份到本地 + +![image.png](https://cdn.statically.io/gh/SivanLaai/image-store-rep@master/note/20230619211807.png) \ No newline at end of file diff --git a/content/posts/research/dreamplace.md b/content/posts/research/dreamplace.md index c7b2d93b..50c3b3f2 100644 --- a/content/posts/research/dreamplace.md +++ b/content/posts/research/dreamplace.md @@ -24,7 +24,7 @@ Fence是Floorplan中作用于module或者instance group的一种约束。在Inno regions，一维坐标，像围栏和 一些变量的说明 -![image.png](https://cdn.staticaly.com/gh/SivanLaai/image-store-rep@master/note/20230403100641.png) +![image.png](https://cdn.statically.io/gh/SivanLaai/image-store-rep@master/note/20230403100641.png) ## 线长平滑函数LPABSWL网表梯度 diff --git a/content/posts/research/eplace.md b/content/posts/research/eplace.md index 98bf6ffa..a3d774f2 100644 --- a/content/posts/research/eplace.md +++ b/content/posts/research/eplace.md @@ -66,11 +66,11 @@ $$\min_\mathbf{v} f(\mathbf{v}) = W(\mathbf{v})+\sum_{b \in B}\lambda_b|\widetil ## 静电系统建模（eDensity） 电势和电场分布由系统中的所有元素决定，在网表中的每个节点（元器件或者宏块）带正电苛的粒子i。粒子的带电量$q_i$表示为节点的面积$A_i$，根据洛仁力量定律(Lorentz force law)定义的电力$F_i=q_i \xi_i$，会引起可移动的节点i的运动，$\xi_i$表示节点i的布局电场。同样的$N_i=q_i \psi_i$表示节点的势能，$\psi_i$表示器件i的电势大小。根据库仑定律，器件i的电场和电势是系统中剩余器件共同作用的叠加。 整个布局的电苛密度分布表示为$\rho(x,y)$，$\xi_x(x,y)$表示水平电场的分布函数，表示$\psi(x,y)$电势分布函数。 -![](https://cdn.staticaly.com/gh/SivanLaai/image-store-rep@master/note/20230327164926.png) +![](https://cdn.statically.io/gh/SivanLaai/image-store-rep@master/note/20230327164926.png) ### 静电平衡系统建模 布局系统和静电系统的建模图： -![](https://cdn.staticaly.com/gh/SivanLaai/image-store-rep@master/note/20230327165122.png) +![](https://cdn.statically.io/gh/SivanLaai/image-store-rep@master/note/20230327165122.png) 根据建模规则，把均匀分布的全局布局约束同静电平衡的系统状态联系起来，电力会指引电苛（元器件）向着平衡状态的方向移动。根据高斯法则，电场等于电势的负梯度，如下定义： $$\xi(x,y)=(\xi_x,\xi_y)=-\nabla\psi(x,y)= @@ -89,8 +89,8 @@ $$\rho(x,y)=\nabla \cdot \xi(x,y)=-\nabla \cdot \nabla\psi(x,y)=- 势能的总和等于新的元器件集合$V^{'}$中所有带电元素的势能之和，这些元素包含了来自$V$中的可移动节点、固定宏节点，也包含了下一步要讨论的填充节点和暗节点。 #### 填充节点插入 -![](https://cdn.staticaly.com/gh/SivanLaai/image-store-rep@master/note/20230327191136.png) -![](https://cdn.staticaly.com/gh/SivanLaai/image-store-rep@master/note/20230327191149.png) +![](https://cdn.statically.io/gh/SivanLaai/image-store-rep@master/note/20230327191136.png) +![](https://cdn.statically.io/gh/SivanLaai/image-store-rep@master/note/20230327191149.png) 上图中的黑色长方形表示宏元器件，红点表示标准元器件，蓝点表示填充节点，随着填充节点充斥在空白区域，有了更小的总线长，同时器件也挤压在了一起，相互离的更近。 @@ -101,7 +101,7 @@ $$A_{fc} = \rho_tA_{ws}-A_m \tag{13}$$ 用一个均匀的网格$R(m\times m)$铺在所有的布局区域上，$R$里面不属于任何布局区域的所有空间都会被划分成一个包含很多长方形格子的集合，每一个格子就是一个暗节点， 对于暗节点的处理方式和固定器件的处理方式一致。$V_d$表示所有的暗节点集合，$A_d$表示所有的节点的总面积。当可移动节点到达布局的边界上时，可移动节点会因为受到暗节点的排斥力而停止。 ### 密度缩放 填充节点插入后，目标密度就变成了$\rho_t = \frac{A_m+A_{fc}}{A_{ws}}$。为了去维持全局等效的密度分布，每一个固定节点或者暗节点$i$的面积$A_i$都需要通过$\rho_t$进行缩放，否则密度力会变得比填充物的密度力更大，并把器件排斥开，固定结点周围的空白区域会被置空，也会增加下图所示的线长开销。 -![](https://cdn.staticaly.com/gh/SivanLaai/image-store-rep@master/note/20230327200255.png) +![](https://cdn.statically.io/gh/SivanLaai/image-store-rep@master/note/20230327200255.png) 上图中(a)和(b)在没有密度缩放的情况下，在大组件上网格的密度会高于目标密度，从而密度力会把器件从大组件周围推开，从而引起了宏组件周围更多待填充的空白区域和线长开销。 ### 势能计算 $V^{'}=V_m \bigcup V_f \bigcup V_{fc} \bigcup V_d$表示系统中所有元素的集合，对于每一个节点$i \in V^{'}$，$\rho_i$、$\xi_i$和$\psi_i$分别表示该节点的电密度、电场和电势。给定一个可移动器件集合$V_m$和填充节点集合$V_{fc}$的布局方案$\mathbf{v}$，其总的势能如下表示： @@ -161,7 +161,7 @@ $$\begin{cases} ### 行为和复杂度分析 下图表示了一个二维平面的离散密度的电场分布，随着迭代的进行密度的分布也会发生变化，电场的分布也会改变，因此电场会动态的指引器件向欠填充区域流动。从下图当中我们也发现到，在布局区域的边界上，电场变为0。这样的行为就满足了边界条件和全局布局的要求。下图当中的灰点是密度分布，红箭头是电场方向。 -![image.png](https://cdn.staticaly.com/gh/SivanLaai/image-store-rep@master/note/20230328164949.png) +![image.png](https://cdn.statically.io/gh/SivanLaai/image-store-rep@master/note/20230328164949.png) 假定布局区域上总的有$n^{'}$个器件（$n^{'}=|V_m|+|V_{fc}|$）和一个$m\times m$的网格。本方法的总的复杂度主要来自两个方面， 一是密度计算，二是势能和电场的计算。 @@ -176,7 +176,7 @@ $$\begin{cases} ### 离散网格上的局部平滑 电密度的全局平滑可以通过方程11和方程12得到。因为每个单元网格的大小通常会比器件的尺寸要大，所以单元网格内部的局部运动是不能在密度函数上反应出来的，从而使平滑性变差。因此我们提出了一种局部平滑技术使得方程14中的密度函数可以反应出每个单元网格内部的任何细微的运动。如下图表示的是一个一维的例子，其中$w_i$表示的是器件的宽度，$w_b$表示的是单元格的宽度；然后，$c_i$表示的是器件中心的坐标，$c_b$单元格中心的坐标。 -![image.png](https://cdn.staticaly.com/gh/SivanLaai/image-store-rep@master/note/20230328192012.png) +![image.png](https://cdn.statically.io/gh/SivanLaai/image-store-rep@master/note/20230328192012.png) $l_x(i,b)$表示的是原始的器件和单元格在水平方向上的重叠，$\hat l_x(i,b)$表示的是平滑后的水平方向上的重叠。则有如下： $$\hat l_x(i,b)=\begin{cases} (1.0-\frac {c_i-c_b}{w_b})\times w_i:c_i \in [c_b-w_b,c_b+w_b]\\ @@ -191,11 +191,11 @@ $$\hat l_x(i,b)=\begin{cases} 布局问题是NP完全问题。如方程9中所示，目标函数由一个凸线长函数和一个非凸密度函数组成，非凸函数加大了现代凸规划方法求解的难度。本部分先介绍先前非线性布局当中使用到的共轭梯度方法，讨论线搜索的效率瓶颈。这篇论文是**首次在全局布局优化中使用Nesterov’s方法和Lipschitz常数预测**。 ### 共轭梯度法 下图为第k个迭代的时候的算法，其中第4行是线搜索算法，存在较多的问题。 -![image.png](https://cdn.staticaly.com/gh/SivanLaai/image-store-rep@master/note/20230328203451.png) +![image.png](https://cdn.statically.io/gh/SivanLaai/image-store-rep@master/note/20230328203451.png) ### 使用Lipschitz常数预测的Nesterov’s方法 和CG法类似，但是Nesterov法只需要一阶导数和线性的内存开销。Nesterov法旨在解决Hilbert空间$H$里的凸规划问题。和大多数和凸规划方法不同，Nesterov法构建了一个不松弛的最小化的点序列$\{\mathbf{u}_k\}_0^\infty$。算法2如下所示，表示了第k次迭代的处理算法，这次迭代主要聚焦在$\min\{f(\mathbf{u})|\mathbf{u} \in H\}$这个问题上，该问题有非空的最小值集合$U^*$。算法2如下所示： -![image.png](https://cdn.staticaly.com/gh/SivanLaai/image-store-rep@master/note/20230328210550.png) +![image.png](https://cdn.statically.io/gh/SivanLaai/image-store-rep@master/note/20230328210550.png) 上述算法中，$\mathbf{u}$是凸规划问题的解，$\mathbf{v}$是用来计算步长的参考解，$a$是优化参数，$\alpha$是步长。迭代开始时($k=0$)，该方法会初始化$\mathbf{v}_0 \in H,a_0=1,\alpha_0=\frac{||\nabla f(\mathbf{v}_0)-\nabla f(\mathbf{z})||}{||\mathbf{v}_0-\mathbf{z}||}$。其中$\mathbf{z}$是$H$中的任意一个点且$\mathbf{z}\neq\mathbf{v}_0$。Nesterov法的收敛率是$O(1/k^2)$，上述算法的第2行主要就是加速收敛，如果要达到预期的收敛率，则步长$\alpha_k$在每一个迭代中都要满足下列方程： @@ -273,7 +273,7 @@ $$\widetilde H_{\mathbf f_{\mathbf x,\mathbf x}}=\begin{Bmatrix} ## 全局布局算法 如下图8所示表示的是，ePlace的整个布局流程： -![image.png](https://cdn.staticaly.com/gh/SivanLaai/image-store-rep@master/note/20230329122412.png) +![image.png](https://cdn.statically.io/gh/SivanLaai/image-store-rep@master/note/20230329122412.png) 其中分为三个阶段： - （1）初始布局 ：使用B2B网络模型最小化二次项线长函数，得到初始布局的输出结果$\mathbf v_{ip}$。 - （2）全局布局：根据电势理论优化器件的位置 @@ -311,7 +311,7 @@ $$u_k=u_{0}^{-\frac{\Delta HPWL_k}{\Delta HPWL_{ref}}+1.0}(u_0=1.1,\Delta HPWL_{ 如下图所示，不管是在CG法和Nesterov法上，随着迭代的进行因子的值在增加。 -![image.png](https://cdn.staticaly.com/gh/SivanLaai/image-store-rep@master/note/20230329150153.png) +![image.png](https://cdn.statically.io/gh/SivanLaai/image-store-rep@master/note/20230329150153.png) #### 密度溢出 @@ -322,7 +322,7 @@ $$\tau=\frac {\sum_{b \in B}\max(\rho_b^{'}-\rho_t,0) A_{b}} {\sum_{i \in V_m}A_ 其中，$A_{b}$是单元格面积，$A_{i}$是可移动器件面积。$\rho_b^{'}$是只和可移动器件相关的单元格$b$的密度。当密度溢出的值$\tau\leq\tau_{min}$时，全局布局停止。 -![image.png](https://cdn.staticaly.com/gh/SivanLaai/image-store-rep@master/note/20230329152627.png) +![image.png](https://cdn.statically.io/gh/SivanLaai/image-store-rep@master/note/20230329152627.png) #### 线长系数 @@ -330,7 +330,7 @@ $$\tau=\frac {\sum_{b \in B}\max(\rho_b^{'}-\rho_t,0) A_{b}} {\sum_{i \in V_m}A_ 同时较小尺寸的单元格密度对于器件的运动会更加敏感，相反越的尺寸就越不敏感。因此设置平滑参数$\gamma$为密度溢出和单元格宽度的函数。通过减少平滑参数的值，为了去减少剩余的重叠，只需要允许可以局部移动的HPWL不敏感的器件运动。我们所提到的这些HPWL不敏感的器件，指的是它们的运动不会改变器件相关网表的HPWL值，也可以理解成这些器件离网表的边界相对而言比较远。对于 迭代的后期，为了使得线长平滑的收敛，只允许在布局平面上有较小的扰动。所以，因为我们的目的是增加线长建模的准确性，对应的线长力会变得更强去只允许有小规模的运动，也就是较小的平面扰动。如下图所示，最终平滑的HPWL收敛到了HPWL： -![image.png](https://cdn.staticaly.com/gh/SivanLaai/image-store-rep@master/note/20230329152637.png) +![image.png](https://cdn.statically.io/gh/SivanLaai/image-store-rep@master/note/20230329152637.png) 在本论文的实验中显示，如下公式建模平滑系数会有比较好的布局结果，公式如下： @@ -342,7 +342,7 @@ $$\gamma(\tau)=8.0w_b\times10^{k\tau+b} \tag{38}$$ 下图为ePlace全局布局算法的整体流程： -![image.png](https://cdn.staticaly.com/gh/SivanLaai/image-store-rep@master/note/20230329161454.png) +![image.png](https://cdn.statically.io/gh/SivanLaai/image-store-rep@master/note/20230329161454.png) 对算法的详细解释如下： - 输入参数： diff --git a/content/posts/technology/apache2_and_nginx.md b/content/posts/technology/apache2_and_nginx.md index 2b683907..aab639ee 100644 --- a/content/posts/technology/apache2_and_nginx.md +++ b/content/posts/technology/apache2_and_nginx.md @@ -173,7 +173,7 @@ ServerName 127.0.0.1 看日志提示```SSL Library Error: error:0A0000B1:SSL routines::no certificate assigned``` - 解决方案 下载这两处的文件然后把其他文件里面的pem文件更新到```site.conf```中 -![](https://cdn.staticaly.com/gh/SivanLaai/image-store-rep@master/note/20221212231557.png) +![](https://cdn.statically.io/gh/SivanLaai/image-store-rep@master/note/20221212231557.png) # Nginx常见问题 diff --git a/content/posts/technology/docker.md b/content/posts/technology/docker.md index 654e1105..ea21430f 100644 --- a/content/posts/technology/docker.md +++ b/content/posts/technology/docker.md @@ -67,6 +67,14 @@ sudo curl -L "https://github.com/docker/compose/releases/download/1.29.2/docker- sudo chmod +x /usr/local/bin/docker-compose ``` +## Docker 权限问题 +### 添加当前用户到Docker用户组 +```bash +sudo groupadd docker #添加docker用户组，这个用户组应该是已存在了` +sudo gpasswd -a $USER docker #将当前用户加入到docker用户组中` +newgrp docker #更新用户组docker` +``` + ## qBittorrent Docker运行 ### Docker Compose 配置qBittorrent #### 新建项目 diff --git a/content/posts/technology/nvim_debug_mixed_cpp_python.md b/content/posts/technology/nvim_debug_mixed_cpp_python.md index 6d4819f0..c3c98caf 100644 --- a/content/posts/technology/nvim_debug_mixed_cpp_python.md +++ b/content/posts/technology/nvim_debug_mixed_cpp_python.md @@ -120,19 +120,19 @@ gdbserver localhost:1234 ~/anaconda3/bin/python unittest/ops/lpabs_wirelength_un - 按F5进入调试运行模式，选2回车 -![image.png](https://cdn.staticaly.com/gh/SivanLaai/image-store-rep@master/note/20230405192735.png) +![image.png](https://cdn.statically.io/gh/SivanLaai/image-store-rep@master/note/20230405192735.png) - 输入运行参数回车 -![image.png](https://cdn.staticaly.com/gh/SivanLaai/image-store-rep@master/note/20230405193133.png) +![image.png](https://cdn.statically.io/gh/SivanLaai/image-store-rep@master/note/20230405193133.png) - 输入对应的python路径回车 -![image.png](https://cdn.staticaly.com/gh/SivanLaai/image-store-rep@master/note/20230405193213.png) +![image.png](https://cdn.statically.io/gh/SivanLaai/image-store-rep@master/note/20230405193213.png) ### 调试界面 显示如下则成功进入调试模式： -![image.png](https://cdn.staticaly.com/gh/SivanLaai/image-store-rep@master/note/20230405194205.png) +![image.png](https://cdn.statically.io/gh/SivanLaai/image-store-rep@master/note/20230405194205.png)