[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-FengQuanLi--ResnetGPT":3,"tool-FengQuanLi--ResnetGPT":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",149489,2,"2026-04-10T11:32:46",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":76,"owner_location":76,"owner_email":76,"owner_twitter":76,"owner_website":76,"owner_url":77,"languages":78,"stars":83,"forks":84,"last_commit_at":85,"license":76,"difficulty_score":86,"env_os":87,"env_gpu":88,"env_ram":89,"env_deps":90,"category_tags":97,"github_topics":76,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":98,"updated_at":99,"faqs":100,"releases":101},6198,"FengQuanLi\u002FResnetGPT","ResnetGPT","用Resnet101+GPT搭建一个玩王者荣耀的AI","ResnetGPT 是一个基于 PyTorch 框架开发的开源项目，旨在探索利用深度学习技术让 AI 自动游玩《王者荣耀》。它创造性地结合了 ResNet101 图像识别模型与 GPT 解码器架构：前者负责实时分析游戏画面特征，后者则根据视觉信息预测并生成相应的操作指令，从而形成“看屏 - 决策 - 执行”的完整闭环。\n\n该项目主要解决了在复杂 MOBA 游戏中，如何让机器理解动态视觉场景并做出策略性反应的技术验证问题。通过采集人类玩家的操作数据（如移动、释放技能），ResnetGPT 能够模仿学习这些行为模式。不过需注意，目前版本仅基于少量对局数据训练，实战水平有限，且作者已声明停止更新，转而推荐使用强化学习方案。\n\nResnetGPT 非常适合对计算机视觉、序列建模及游戏 AI 感兴趣的开发者和研究人员使用。其独特的技术亮点在于尝试将常用于自然语言处理的 Transformer 解码机制迁移至游戏控制领域，为多模态交互提供了有趣的实验样本。运行该工具需要具备一定的工程部署能力，包括配置 Android 调试环境、安装 scrcpy 及 minitouch 等辅助工具，并根据不同手机","ResnetGPT 是一个基于 PyTorch 框架开发的开源项目，旨在探索利用深度学习技术让 AI 自动游玩《王者荣耀》。它创造性地结合了 ResNet101 图像识别模型与 GPT 解码器架构：前者负责实时分析游戏画面特征，后者则根据视觉信息预测并生成相应的操作指令，从而形成“看屏 - 决策 - 执行”的完整闭环。\n\n该项目主要解决了在复杂 MOBA 游戏中，如何让机器理解动态视觉场景并做出策略性反应的技术验证问题。通过采集人类玩家的操作数据（如移动、释放技能），ResnetGPT 能够模仿学习这些行为模式。不过需注意，目前版本仅基于少量对局数据训练，实战水平有限，且作者已声明停止更新，转而推荐使用强化学习方案。\n\nResnetGPT 非常适合对计算机视觉、序列建模及游戏 AI 感兴趣的开发者和研究人员使用。其独特的技术亮点在于尝试将常用于自然语言处理的 Transformer 解码机制迁移至游戏控制领域，为多模态交互提供了有趣的实验样本。运行该工具需要具备一定的工程部署能力，包括配置 Android 调试环境、安装 scrcpy 及 minitouch 等辅助工具，并根据不同手机分辨率手动校准按键映射坐标。虽然尚不具备成熟的商用价值，但它为理解端到端游戏智能体的构建思路提供了宝贵的参考代码。","# 基于pytorch框架用resnet101加GPT搭建AI玩王者荣耀\n   本源码模型主要用了[SamLynnEvans Transformer](https:\u002F\u002Fgithub.com\u002FSamLynnEvans\u002FTransformer) 的源码的解码部分。以及pytorch自带的预训练模型\"resnet101-5d3b4d8f.pth\"\n# 注意！！！ \n本项目不再更新,由[用强化学习训练AI玩王者](https:\u002F\u002Fgithub.com\u002FFengQuanLi\u002FWZCQ)代替。     \n\n# 注意运行本代码需要注意以下几点 注意！！！！！\n1、目前这个模型在用后裔100多局对战数据下训练出来后，对局表现出各种送人头之类的问题，以及代码本身各种不规范，请多原谅。  \n2、本代码本来只是我试验模型能否玩王者荣耀，B站朋友强烈要求开源。仓促开源估计问题很多，请多原谅。  \n三、运行环境win10；win7未测试，估计是可以。  需要一张6G或以上显存的英伟达显卡，虽然4G的1050ti勉强也可以。  \n四、需要一台打开安卓调试并能玩王者荣耀的手机，虚拟机没有试过，理论上应该可行。  \n五、需要下载[scrcpy](https:\u002F\u002Fgithub.com\u002FGenymobile\u002Fscrcpy\u002Fblob\u002Fmaster\u002FREADME.zh-Hans.md)  的windows版本。 把所有文件解压到项目根目录即可（这是我的笨办法） 。  \n位置如图  \n![scrcpy](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FFengQuanLi_ResnetGPT_readme_11d14e864089.png)  \n六、pyminitouch库运行时会自动安装minitouch。如果无法自动安装则需要手动安装[minitouch](https:\u002F\u002Fgithub.com\u002Fopenstf\u002Fminitouch) ，比较麻烦，如有困难请多多百度。  \n还有，minitouch不支持Android10  \n七、本人用的手机分辨率是1080*2160的，本代码并没有针对不同的手机做优化。不同的手机minitouch命令中所描述的位置会有差异，需要对代码做出相应调整，请务必注意。  \n八、注意游戏的布局，务必要一样。布局可参考B站视频或者我上传的训练用截图。如图。  \n![布局图](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FFengQuanLi_ResnetGPT_readme_91dfbaebba16.jpg)  \n九、游戏更新以后可能会导致无法预料的后果，因此并不能保证此代码玩王者荣耀的长期有效性。  \n我之后可能出视频教程，同时讲讲我的设计思路。部分地区截图不可见，可下载项目在pycharm下打开readme.md即可见。\n\n# 运行与生成训练数据\n需要的库  \ntorch  \ntorchvision    \npynput  \npyminitouch  \n可能还有其它库\n\n\n## 运行训练好的模型\n如果前面的工作做好了就可以把模型跑起来了，这里声明这个经过训练的模型仅仅训练100多局，水平很低，青铜人机都未必能打过。  \n一、首先下载模型 你可以从[google云盘](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1HaDIMeVNixbGWViuBqvZr6uicyAUiyYT\u002Fview?usp=sharing) 下载训练过的模型，也可以百度网盘下载  \n链接：https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1Bt7BXukDDCpc1aWFI2iKxg   \n提取码：5c1k  \n后放入weights文件夹下  \n二、先运行 “启动和结束进程.py” 启动scrcpy\n把“训练数据截取_A.py” 中的两项改成你的，_DEVICE_ID 是 adb devices后显示的那个id  \n![启动和结束进程.py](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FFengQuanLi_ResnetGPT_readme_2a3dc5646db4.png)  \n三、启动王者荣耀进入5v5人机对战    运行 “训练数据截取_A.py” 即可。\n## 生成训练数据\n运行 “训练数据截取_A.py” 时可以通过按键操控角色，这时就可以生成训练用的数据，如果没有操控则会生成一个空文件夹和空json文件。  \n按\"i\"键则结束或则是重新运行  \n按键'w' 's ' 'a' 'd'控制方向  左、下、右箭头对应是1、2、3技能，上箭头长按则攻击。其它按键请参考源码。   \n每次获取训练图片最好不要超过5000张  \n\n你也可以下载训练数据样本（只是样本，数据量不大，不能指望两局对战数据就有效果，我估计这个模型现有参数可以吃下上万场的对战数据）  \n百度网盘\n链接：https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1Ak1sLcSRimMWRgagXGahTg \n提取码：t4k3   \n[google云盘](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1plN4xDaGgdRGiy6LT4qHG9O7US2I7_oS\u002Fview?usp=sharing)  \n解压后注意存放位置，请参考源码。\n# 如何训练\n一、数据预处理  \n将图片用resnet101预处理后再和对应操作数据一起处理后用numpy数组储存备用。  \n具体要做的就是运行 “处理训练数据5.py”   \n二、训练  \n预处理完成以后运行 “训练_B.py”即可。\n\n# 游戏按键映射本地化\n按键映射通过 '.\u002Fjson\u002F名称_操作.json' 文件完成，如前文所述，由[minitouch](https:\u002F\u002Fgithub.com\u002Fopenstf\u002Fminitouch)进行按压模拟。\n1. 前期准备：\n\n开启“开发者模式”，允许“USB调试”，允许“USB调试（安全设置）：允许通过USB调试修改权限或模拟点击”。后两项均在进入开发者选项后可以找到。\n\n\n2. 按键可视化，按键轨迹监控：\n\n开启“显示点按操作的视觉反馈”，开启“指针位置”。后者方便查看自己手机屏幕点按的像素点坐标信息，从而生成对应本地手机按键映射的.json文件。\n\n3. 映射本地化计算说明：\n\n![layout_description](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FFengQuanLi_ResnetGPT_readme_f634effa1a4c.png)\n此计算以手机充电口朝右握持为例，反向握持同理可推。样例手机分辨率1080x2160。\nAndroid“指针位置”中显示的坐标信息以图中左上角红色原点所示，xy轴如图。此原点不论如何握持（充电口朝左或右），其始终保持在视野左上角，由重力感应判定。\nminitouch坐标原点如图中左下角蓝色原点所示，此点为物理固定点，不随手机握持方向改变，反向握持此点在右上角。\n另外注意两个坐标系xy轴方向不同。\n在图中设定下，Android指针坐标(X,Y)对应minitouch坐标(1080-Y,X)：即在点按屏幕中某点时，安卓调试显示的(X,Y)在.json文件中的坐标应为(1080-Y,X)。\n\n4. 本地映射文件生成：\n\n'check_json.py'为调试和生成本地.json按键映射文件的脚本。重映射时请一一记录每个按键在自己手机中显示的“指针位置”，并按照上述计算方法换算为.json文件中需\n要输入的坐标。此脚本会生成一个'.\u002Fjson\u002Flocal_layout.json'文件，请在'处理训练数据5.py'中进行相应替换。\n此外，'处理训练数据5.py'中：‘加一技能’，‘加二技能’，‘加三技能’，‘购买’变量也许进行同样处理。.json文件中指令含义请参照[minitouch](https:\u002F\u002Fgithub.com\u002Fopenstf\u002Fminitouch)。\n\n\n","# 基于PyTorch框架，使用ResNet101与GPT构建王者荣耀AI\n本源码模型主要采用了[SamLynnEvans Transformer](https:\u002F\u002Fgithub.com\u002FSamLynnEvans\u002FTransformer)的解码部分代码，以及PyTorch自带的预训练模型“resnet101-5d3b4d8f.pth”。\n# 注意！！！ \n本项目已停止更新，由[使用强化学习训练AI玩王者](https:\u002F\u002Fgithub.com\u002FFengQuanLi\u002FWZCQ)替代。     \n\n# 运行本代码时请注意以下几点 注意！！！！！\n1、目前该模型基于后裔英雄的100多局对战数据训练而成，在实际对局中表现出频繁送人头等问题，且代码本身存在诸多不规范之处，敬请谅解。  \n2、本代码最初仅用于试验模型是否能玩转王者荣耀，后因B站网友强烈要求才匆忙开源，可能存在较多问题，还望大家多多包涵。  \n三、运行环境为Win10；Win7尚未测试，但估计也能运行。需要一张显存6GB以上的NVIDIA显卡，虽然4GB显存的1050ti勉强也可使用。  \n四、需准备一台已开启安卓调试模式并可运行王者荣耀的手机，虚拟机暂未尝试过，理论上应该可行。  \n五、需要下载[scrcpy](https:\u002F\u002Fgithub.com\u002FGenymobile\u002Fscrcpy\u002Fblob\u002Fmaster\u002FREADME.zh-Hans.md)的Windows版本。将所有文件解压至项目根目录即可（这是我个人的简单做法）。  \n位置如图所示：\n![scrcpy](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FFengQuanLi_ResnetGPT_readme_11d14e864089.png)  \n六、pyminitouch库在运行时会自动安装minitouch。若无法自动安装，则需手动安装[minitouch](https:\u002F\u002Fgithub.com\u002Fopenstf\u002Fminitouch)，过程较为繁琐，如有困难请自行百度查找相关教程。另外，minitouch不支持Android 10系统。  \n七、本人使用的手机分辨率为1080*2160，而本代码并未针对不同手机进行优化。不同手机在minitouch命令中描述的位置可能有所差异，因此需要对代码做出相应调整，请务必注意。  \n八、请注意游戏界面布局，务必保持一致。布局可参考B站视频或我上传的训练用截图。如图所示：\n![布局图](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FFengQuanLi_ResnetGPT_readme_91dfbaebba16.jpg)  \n九、游戏更新后可能会导致不可预料的结果，因此无法保证此代码长期有效。  \n后续我可能会发布视频教程，并分享我的设计思路。部分地区截图可能无法正常显示，可在PyCharm中打开项目中的readme.md查看。\n\n# 运行与生成训练数据\n所需库：\ntorch  \ntorchvision    \npynput  \npyminitouch  \n可能还有其他库\n\n\n## 运行训练好的模型\n如果前期准备工作已完成，即可运行模型。在此声明，该模型仅经过100余局训练，水平较低，甚至可能连青铜段位的人机对战都难以取胜。  \n一、首先下载模型：你可以从[Google云端硬盘](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1HaDIMeVNixbGWViuBqvZr6uicyAUiyYT\u002Fview?usp=sharing)下载训练好的模型，也可以通过百度网盘下载  \n链接：https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1Bt7BXukDDCpc1aWFI2iKxg   \n提取码：5c1k  \n下载后将其放入weights文件夹中。  \n二、先运行“启动和结束进程.py”以启动scrcpy。\n然后将“训练数据截取_A.py”中的两项修改为你自己的设备信息：_DEVICE_ID是通过adb devices命令显示的设备ID。  \n![启动和结束进程.py](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FFengQuanLi_ResnetGPT_readme_2a3dc5646db4.png)  \n三、启动王者荣耀进入5v5人机对战，随后运行“训练数据截取_A.py”即可。\n## 生成训练数据\n运行“训练数据截取_A.py”时，可通过按键操控角色，从而生成训练数据；若未进行任何操作，则会生成一个空文件夹和空JSON文件。  \n按下“i”键可结束或重新运行程序。  \n按键“w”、“s”、“a”、“d”用于控制方向，“左、下、右箭头”分别对应1、2、3技能，“上箭头”长按则发动攻击。其他按键功能请参考源码。  \n每次获取训练图片的数量建议不超过5000张。\n\n你也可以下载训练数据样本（仅为示例，数据量较小，无法指望仅靠两局对战数据就见效，我认为该模型现有参数至少需要上万局对战数据才能达到较好效果）  \n百度网盘\n链接：https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1Ak1sLcSRimMWRgagXGahTg \n提取码：t4k3   \n[Google云端硬盘](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1plN4xDaGgdRGiy6LT4qHG9O7US2I7_oS\u002Fview?usp=sharing)  \n解压后请注意存放位置，具体请参考源码。\n# 如何训练\n一、数据预处理  \n将图片使用ResNet101模型进行预处理，再与对应的操作数据结合，最终以NumPy数组形式保存备用。  \n具体操作步骤为运行“处理训练数据5.py”。  \n二、训练  \n完成数据预处理后，运行“训练_B.py”即可。\n\n# 游戏按键映射本地化\n按键映射通过‘.\u002Fjson\u002F名称_操作.json’文件实现，如前所述，由[minitouch](https:\u002F\u002Fgithub.com\u002Fopenstf\u002Fminitouch)模拟按键操作。\n1. 前期准备：\n\n开启“开发者模式”，启用“USB调试”及“USB调试（安全设置）：允许通过USB调试修改权限或模拟点击”。这两项设置均可在进入开发者选项后找到。\n\n\n2. 按键可视化与轨迹监控：\n\n开启“显示点按操作的视觉反馈”及“指针位置”。后者有助于查看手机屏幕上点击的具体像素坐标，从而生成适用于本地手机的按键映射JSON文件。\n\n3. 映射本地化计算说明：\n\n![layout_description](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FFengQuanLi_ResnetGPT_readme_f634effa1a4c.png)\n本计算以手机充电口朝右握持为例，反向握持的情况可类推。样例手机分辨率为1080x2160。\nAndroid“指针位置”显示的坐标信息以图中左上角红色原点为准，xy轴方向如图所示。无论手机如何握持（充电口朝左或右），该原点始终位于屏幕左上角，由重力感应决定。\nminitouch的坐标原点则位于图中左下角的蓝色原点，此点为物理固定点，不会随手机握持方向变化而移动，反向握持时该点会出现在右上角。\n此外，两个坐标系的xy轴方向不同。\n在当前设定下，Android指针坐标(X,Y)对应minitouch坐标(1080-Y,X)：即在点击屏幕某点时，安卓调试显示的(X,Y)在JSON文件中应替换为(1080-Y,X)。\n\n4. 本地映射文件生成：\n\n‘check_json.py’是用于调试及生成本地JSON按键映射文件的脚本。重新映射时，请逐一记录每个按键在手机上显示的“指针位置”，并按照上述计算方法换算成JSON文件中所需的坐标。该脚本会生成‘.\u002Fjson\u002Flocal_layout.json’文件，请在‘处理训练数据5.py’中进行相应替换。\n此外，在‘处理训练数据5.py’中：‘加一技能’、‘加二技能’、‘加三技能’、‘购买’等变量也可能需要同样处理。JSON文件中指令含义请参照[minitouch](https:\u002F\u002Fgithub.com\u002Fopenstf\u002Fminitouch)。","# ResnetGPT 快速上手指南\n\n> **⚠️ 重要提示**：本项目已停止更新，作者推荐使用强化学习版本 [WZCQ](https:\u002F\u002Fgithub.com\u002FFengQuanLi\u002FWZCQ) 替代。当前版本基于 ResNet101 + GPT 架构，仅作为实验性参考，模型训练数据较少（约 100 局），实战能力较弱（可能无法战胜青铜人机）。\n\n## 环境准备\n\n### 系统要求\n- **操作系统**：Windows 10（Win7 未测试但理论上可行）\n- **显卡**：NVIDIA 显卡，显存 ≥ 6GB（4GB 如 GTX 1050 Ti 勉强可用）\n- **手机设备**：\n  - 支持 Android 调试（USB Debugging）的安卓手机\n  - **注意**：`minitouch` 不支持 Android 10 及以上版本\n  - 推荐分辨率：1080x2160（其他分辨率需手动调整坐标映射）\n- **游戏状态**：手机需能正常运行《王者荣耀》5v5 人机对战模式\n\n### 前置依赖\n1. **Python 库**：\n   ```bash\n   pip install torch torchvision pynput pyminitouch\n   ```\n2. **外部工具**：\n   - 下载 [scrcpy Windows 版](https:\u002F\u002Fgithub.com\u002FGenymobile\u002Fscrcpy)，解压所有文件至项目根目录。\n   - `pyminitouch` 运行时会自动安装 `minitouch`；若失败，请手动安装 [minitouch](https:\u002F\u002Fgithub.com\u002Fopenstf\u002Fminitouch)。\n\n## 安装步骤\n\n1. **克隆或下载项目代码**。\n2. **配置 scrcpy**：\n   将下载的 scrcpy 全部文件放入项目根目录，结构参考项目中的 `image\u002Fscrcpy.png`。\n3. **手机调试设置**：\n   - 开启“开发者模式”。\n   - 启用\"USB 调试”。\n   - 启用\"USB 调试（安全设置）”：允许通过 USB 调试修改权限或模拟点击。\n   - （可选）开启“显示点按操作的视觉反馈”和“指针位置”，用于后续坐标校准。\n4. **连接手机**：\n   使用数据线连接电脑，运行 `adb devices` 确认设备 ID。\n\n## 基本使用\n\n### 场景一：运行预训练模型（试玩）\n\n1. **下载模型权重**：\n   - **百度网盘**：[链接](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1Bt7BXukDDCpc1aWFI2iKxg) (提取码：`5c1k`)\n   - 或 **Google Drive**：[链接](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1HaDIMeVNixbGWViuBqvZr6uicyAUiyYT\u002Fview?usp=sharing)\n   - 将下载的文件放入项目下的 `weights` 文件夹。\n\n2. **启动投屏服务**：\n   修改 `训练数据截取_A.py` 中的 `_DEVICE_ID` 为你的设备 ID（通过 `adb devices` 获取），然后运行：\n   ```bash\n   python 启动和结束进程.py\n   ```\n\n3. **运行模型**：\n   - 在手机上启动《王者荣耀》，进入\"5v5 人机对战”。\n   - 运行脚本：\n     ```bash\n     python 训练数据截取_A.py\n     ```\n   - 此时 AI 将接管游戏（表现可能不佳）。\n\n### 场景二：生成训练数据（自行采集）\n\n1. 运行数据采集脚本：\n   ```bash\n   python 训练数据截取_A.py\n   ```\n2. **人工操控录制**：\n   - 使用键盘控制角色进行对战，脚本会自动保存图像和操作数据。\n   - **按键映射**：\n     - `w`, `s`, `a`, `d`：控制移动方向\n     - `←`, `↓`, `→`：释放技能 1, 2, 3\n     - `↑` (长按)：普通攻击\n     - `i`：结束或重新开始录制\n   - **注意**：建议每次采集图片不超过 5000 张。若不操作，将生成空数据。\n\n3. **（可选）下载样本数据**：\n   - **百度网盘**：[链接](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1Ak1sLcSRimMWRgagXGahTg) (提取码：`t4k3`)\n   - 解压后参照源码说明放置到对应目录。\n\n### 场景三：训练模型\n\n1. **数据预处理**：\n   使用 ResNet101 处理图片并合并操作数据：\n   ```bash\n   python 处理训练数据 5.py\n   ```\n   *注：若手机分辨率非 1080x2160 或按键布局不同，需先执行“游戏按键映射本地化”步骤。*\n\n2. **开始训练**：\n   ```bash\n   python 训练_B.py\n   ```\n\n## 游戏按键映射本地化（关键步骤）\n\n若您的手机分辨率或游戏布局与默认设置（1080x2160）不同，必须重新计算坐标映射：\n\n1. **获取坐标**：\n   在手机“开发者选项”中开启“指针位置”，记录各技能按钮在屏幕上的安卓坐标 $(X, Y)$。\n2. **坐标转换**：\n   假设手机充电口朝右握持，安卓坐标 $(X, Y)$ 需转换为 minitouch 坐标 $(1080-Y, X)$。\n   > 公式：`minitouch_x = 1080 - android_y`, `minitouch_y = android_x`\n3. **生成配置文件**：\n   运行调试脚本记录并转换坐标：\n   ```bash\n   python check_json.py\n   ```\n   生成的 `.\u002Fjson\u002Flocal_layout.json` 需替换原文件，并在 `处理训练数据 5.py` 中引用。同时需对“加一技能”、“购买”等变量做相应调整。","某高校人工智能实验室的研究团队希望验证“视觉感知 + 序列决策”架构在复杂 MOBA 游戏中的可行性，计划让 AI 自主操控英雄进行对战。\n\n### 没有 ResnetGPT 时\n- **开发门槛极高**：研究人员需从零编写屏幕图像采集、ADB 调试连接及模拟触控指令的底层代码，耗费数周搭建基础环境。\n- **感知与决策割裂**：难以将游戏画面的视觉特征（如敌方位置、技能冷却）有效转化为连续的动作序列，传统规则脚本无法应对动态战局。\n- **数据闭环缺失**：缺乏自动化的“观看 - 操作”数据录制工具，人工采集训练样本效率低下且格式不统一，导致模型无数据可训。\n- **适配成本巨大**：不同手机分辨率和游戏版本更新会导致坐标映射失效，每次变动都需手动重新计算像素坐标并修改代码。\n\n### 使用 ResnetGPT 后\n- **开箱即用的框架**：直接利用集成的 ResNet101 视觉编码器与 GPT 解码器，配合现成的 scrcpy 和 minitouch 接口，一天内即可跑通演示流程。\n- **端到端智能决策**：模型能自动分析截图并输出连贯的操作指令（如走位、释放技能），实现了从像素输入到动作输出的完整闭环。\n- **自动化数据生成**：通过内置脚本，研究人员只需手动试玩几局，系统便能自动截取画面并记录对应的按键轨迹，快速构建训练数据集。\n- **灵活的本地化配置**：提供可视化的坐标转换工具和 JSON 映射模板，只需简单调整参数即可适配不同分辨率的手机屏幕，大幅降低维护成本。\n\nResnetGPT 将复杂的游戏 AI 研发简化为数据准备与模型训练两个核心环节，极大地降低了多模态强化学习在移动端游戏场景的验证成本。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FFengQuanLi_ResnetGPT_91dfbaeb.jpg","FengQuanLi","冯泉荔","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FFengQuanLi_4c2f4cb2.png",null,"https:\u002F\u002Fgithub.com\u002FFengQuanLi",[79],{"name":80,"color":81,"percentage":82},"Python","#3572A5",100,2967,753,"2026-04-10T03:51:57",5,"Windows","需要 NVIDIA 显卡，显存 6GB 或以上（4G 的 1050Ti 勉强可用），未提及具体 CUDA 版本","未说明",{"notes":91,"python":89,"dependencies":92},"1. 需连接一台开启安卓调试并能运行王者荣耀的手机（虚拟机未测试）。2. 需下载并配置 scrcpy (Windows 版) 到项目根目录。3. 需手动或自动安装 minitouch，且不支持 Android 10 系统。4. 代码针对 1080*2160 分辨率手机编写，其他分辨率需修改代码中的坐标映射。5. 游戏布局必须与训练截图一致。6. 项目已停止更新，模型仅训练 100 多局，水平较低。",[93,94,95,96],"torch","torchvision","pynput","pyminitouch",[15,13],"2026-03-27T02:49:30.150509","2026-04-10T20:46:13.431954",[],[]]