我正在尝试连接到Stripe以设置付款。我让它在我的开发机器上工作，但是当我推到prod时，我得到以下SSL错误：

无法连接到HTTPS URL，因为SSL模块不可用。

以下是我设置的详细信息：

• Ubuntu 16.04
• 阿帕奇2
• 莫迪乌斯基
• Python3.6
• 姜戈1.11
• Python/django进程都是在一个名为“protectyourreviews”的【【微信】】（【【淘密令】】）虚拟环境中安装和运行的

我已经阅读了其他多个建议重新安装python的SO答案，但要确保首先安装依赖项。这不应该是一个问题时，安装内部和水蟒环境应该吗？水蟒不应该帮我照顾好所有的依赖关系吗？

我为整个域启用了HTTPS（所有请求都路由到HTTPS）。当我检查安装时，我确实有openssl，当我在django环境中打开shell时，我可以毫无问题地导入和使用模块。。。所以我不知道如何继续排除这个问题。

非常感谢您的帮助！

还有一个堆栈跟踪：

编辑

在将mod_wsgi重新安装到一个新的python 【【微信】】中之后，它仍然试图打开旧的【【微信】】路径。我已经在WSGIDaemonProcess中更改了python home和python path指令，但是无论我尝试什么，它仍然试图从【【淘密令】】3目录（我已经删除了该目录）打开python。

下面是来自Apache错误日志的跟踪：

编辑2

是的，我是从一个干净的源目录开始的。我将mod_wsgi tar文件复制到新目录中，并在新目录中运行configure/make/make install。我相信我在新安装之前也删除了apache模块文件，以防万一。

我尝试了下面指令的多次迭代（both/only python home/only python path），但是无论我尝试什么，我都无法理解mod_wsgi为什么一直在deleted 【【淘密令】】3文件夹中查找。还有什么配置文件我忘了吗？

这是我的wsgi.load：

下面是我的Apache2指令（其中pyr_env是我的新Python 【【微信】】文件夹）：

编辑3

我按照您建议的指示in the docs，然后输出如下。

下面是ldd的输出：

下面是取消设置LD_LIBRARY_PATH后的输出：

我确保在虚拟环境文件夹上正确设置了权限，并再次重新编译以确保我的版本完全正确。以下是该过程的所有输入和输出：

不幸的是，我在Apache中看到了完全相同的错误。这里是apache2/error.log：

它仍试图打开已删除的【【淘密令】】文件夹。。。

Python macad

【【微信】】是一个多Agent连接自治的训练平台 驾驶（MACAD）建立在卡拉自动驾驶模拟器之上。在

MACAD Gym为各种 在同质/异类中训练深层RL算法的驱动场景， 通信/非通信和其他多代理设置。新的环境和方案 可以使用简单的、类似JSON的配置轻松添加。在

使用安装MACAD Gym。 如果安装了CARLA，可以使用以下3行代码开始工作。如果没有，请遵循 Getting started steps。在

importgymimportmacad_gymenv=gym.make("【【微信】】ASS3CTWN3-v0")# 【【微信】】

任何支持OpenAI Gym API的RL库都可以用于在MACAD Gym中培训代理。MACAD-Agents存储库提供示例代理作为启动程序。在

1. Getting Started
2. Learning platform & agent interface
3. Citing 【【微信】】
4. De【【微信】】uide

Assumes an Ubuntu (16.04/18.04 or later) system.

1. 在

   安装系统要求：

   • Miniconda/Anaconda 3.x版 在
   • cmake（）
   • zlib（）
   • [可选]ffmpeg（）
   在
2. 在

   设置卡拉（0.9.x）

   3.1

   3.2示例：从：Here下载0.9.4版本 将其提取到

   3.3

   在
3. 在

   安装MACAD Gym：

   • Option1用于用户：
   • Option2面向开发人员：
     • 将存储库分叉/克隆到您的工作区：
     • 创建一个名为“macad gym”的新conda env并安装所需的软件包：
     • 激活conda python环境：
     • 安装包：
     • 安装CARLA PythonAPI:

     NOTE: Change the carla client PyPI package 【【微信】】 with your CARLA server version

     在
   在

MACAD Gym平台为培训代理商提供学习环境， 针对各种自动驾驶任务和 能够在同质/异构环境中训练代理的场景 学习环境遵循ID一致性的命名约定 并支持代理算法的版本基准测试。 命名约定在下面用说明 例如：

随着时间的推移，麦卡德健身房的训练环境数量预计会增加 （PRs非常受欢迎！）。在

环境

环境界面简单，遵循广泛采用的OpenAI-Gym 接口。您可以使用 以下3行代码：

像任何OpenAI健身房环境一样，你可以获得观察空间和动作 空间如下所示：

>>> print(env.【【微信】】) Dict(car1:Box(168, 168, 3), car2:Box(168, 168, 3), car3:Box(168, 168, 3)) >>> print(env.【【微信】】) Dict(car1:Discrete(9), car2:Discrete(9), car3:Discrete(9))

要获取可用环境的列表，可以使用 函数，如下面的代码片段所示：

importgymimportmacad_gymmacad_gym.list_a【【微信】】pan>()

这将打印可用的环境。以下提供示例输出供参考：

En【【微信】】: Short description {'HeteNcomIndePOIntrxMATLS1B2C1PTWN3-v0': '【【微信】】, Non-communicating, ''Independent,Partially-Observable ''【【微信】】ent scenario ''with Traffic-Light Signal, 1-Bike, ''2-Car,1-Pedestrian in Town3, ''【【微信】】',  '【【微信】】ASS3CTWN3-v0': '【【微信】】, Non-communicating, ''Independed, Partially-Observable ''【【微信】】ent scenario with ''Stop-Sign, 3 Cars in Town3, 【【微信】】'}

代理接口

Agent环境接口与OpenAI-Gym接口兼容 因此，允许对现有的RL-agent算法进行简单的实验 实现和库。您可以使用任何现有的支持开放式AI-Gym API的Deep-RL库来培训您的代理。在

基本代理-环境交互循环如下：

importgymimportmacad_gymenv=gym.make("【【微信】】ASS3CTWN3-v0")configs=env.configsenv_【【微信】】pan>=configs["env"]actor_configs=configs["actors"]classSimpleAgent(object):def__init__(self,actor_configs):"""A simple, deterministic agent for an example        Args:            actor_configs: Actor config dict        """self.actor_configs=actor_configsself.action_dict={}def【【微信】】(self,obs):""" Returns `action_dict` containing actions for each agent in the env        """foractor_idinself.actor_configs.keys():# ... Process obs of each agent and generate action ...ifenv_【【微信】】pan>["discrete_actions"]:self.action_dict[actor_id]=3# Drive forwardelse:self.action_dict[actor_id]=[1,]# Full-throttlereturnself.action_dictagent=SimpleAgent(actor_configs)# Plug-in your agent or use MACAD-Agentsforepinrange(2):obs=env.reset()done={"__all__":False}step=whilenotdone["__all__"]:obs,reward,done,info=env.step(agent.【【微信】】(obs))print(f"Step#:{step}  Rew:{reward}  Done:{done}")step+=1env.close()

如果你发现这项工作对你的研究有用，请引用：

@misc{palanisamy2019multiagent,title={Multi-Agent Connected Autonomous Driving using Deep Reinforcement Learning},author={Pra【【微信】】},year={2019},eprint={1911.04175},archi【【微信】】={arXiv},primaryClass={cs.LG}}