In theory, it should be possible to

In theory, it should be possible to periodically re-calibrate the reward values as the application goes through different execution phases. These rewards would need to be re-learned on the fly by the hardware. We are currently investigating this aspect, but in this paper we confine our solution to static rewards learned offline, which still yields good results and simplifies the design of the scheduler (as we will see, the reward structure is just a small table).

ผลลัพธ์ (ไทย) 1:

ในทฤษฎีมันควรจะเป็นไปได้ที่จะเป็นระยะ re-ปรับค่าตอบแทนเ​​ป็นโปรแกรมที่จะไปผ่านขั้นตอนการดำเนินการที่แตกต่างกัน รางวัลเหล่านี้จะต้องมีการ re-เรียนรู้ได้ทันทีจากฮาร์ดแวร์ เรากำลังตรวจสอบด้านนี้ แต่ในบทความนี้เรา confi ย ne แก้ปัญหาของเราให้ผลตอบแทนคงที่ได้เรียนรู้ครับซึ่งยังคงให้ผลลัพธ์ที่ดีและ simplifi ย es การออกแบบของตารางเวลา (ที่เราจะเห็นโครงสร้างของรางวัลเป็นเพียงโต๊ะเล็ก)

ผลลัพธ์ (ไทย) 2:

ในทางทฤษฎี มันควรสามารถปรับเป็นระยะ ๆ อีกเทียบค่ารางวัลเป็นแอพลิเคชันไปผ่านขั้นตอนการดำเนินการต่าง ๆ รางวัลเหล่านี้จะต้องมีการเรียนรู้ในการบิน โดยฮาร์ดแวร์ เรากำลังตรวจสอบด้านนี้ แต่ในกระดาษเราแก้ไขของรางวัลคงเรียนรู้แบบออฟไลน์ มุ confi ทำที่ยังคงให้ผลลัพธ์ที่ดีและ simplifi es การออกแบบของตัวจัดกำหนดการ (เราจะเห็น โครงสร้างผลตอบแทนเป็นเพียงตารางเล็ก)

ผลลัพธ์ (ไทย) 3:

ในทางทฤษฎีนั้นควรจะเป็นไปได้ในการปรับตั้งค่าให้รางวัลที่เป็นแอปพลิเคชันที่จะผ่านขั้นตอนการทำงานแตกต่างกันเป็นระยะๆ รางวัลเหล่านี้จะต้องได้รับการเรียนรู้ได้ด้วยตัวเองในขณะเดินทางได้โดยฮาร์ดแวร์ เรามีการสอบสวนคดีนี้ลักษณะนี้ในปัจจุบันแต่ในเอกสารนี้เรา confi  ทางด้านทิศตะวันออกเฉียงเหนือด้วยโซลูชันของเราเพื่อรับรางวัลคงที่ได้เรียนรู้แบบออฟไลน์ซึ่งยังคงอัตราผลตอบแทน simplifi และผลลัพธ์ที่ ดี  ES การออกแบบตัวจัดตารางเวลาที่(ดังที่เราจะได้เห็นโครงสร้างที่คุณได้รับมีเพียงโต๊ะขนาดเล็ก)