[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-MorvanZhou--Reinforcement-learning-with-tensorflow":3,"tool-MorvanZhou--Reinforcement-learning-with-tensorflow":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},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",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},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。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":79,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":10,"env_os":91,"env_gpu":92,"env_ram":92,"env_deps":93,"category_tags":100,"github_topics":101,"view_count":122,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":123,"updated_at":124,"faqs":125,"releases":166},410,"MorvanZhou\u002FReinforcement-learning-with-tensorflow","Reinforcement-learning-with-tensorflow","Simple Reinforcement learning tutorials, 莫烦Python 中文AI教学","Reinforcement-learning-with-tensorflow 是由莫烦 Python 提供的一套强化学习开源教程项目，旨在帮助初学者和进阶者系统掌握强化学习的核心算法与实践方法。项目从基础的 Q-learning、Sarsa 入手，逐步深入到 DQN、Double DQN、Dueling DQN、Actor-Critic、DDPG、A3C、PPO 等主流深度强化学习算法，并结合 OpenAI Gym 环境和多个趣味实验（如小车控制、机械臂、LunarLander 等）进行代码演示。所有示例均基于 TensorFlow 实现，代码简洁清晰，配有详细中文讲解视频和图文教程。\n\n这套教程特别适合对强化学习感兴趣的开发者、学生或研究人员，尤其是希望从零开始动手实现算法的学习者。项目不仅覆盖经典方法，还包含好奇心驱动（Curiosity Model）和随机网络蒸馏（RND）等前沿探索机制，兼顾理论理解与工程实践。对于想快速入门并扎实掌握强化学习技术的人来说，这是一个友好且内容丰富的学习资源。","\u003Cp align=\"center\">\n    \u003Ca href=\"https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=pieI7rOXELI&list=PLXO45tsB95cIplu-fLMpUEEZTwrDNh6Ba\" target=\"_blank\">\n    \u003Cimg width=\"60%\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_Reinforcement-learning-with-tensorflow_readme_f9aea9b1eb86.jpg\" style=\"max-width:100%;\">\n    \u003C\u002Fa>\n\u003C\u002Fp>\n\n\n\u003Cbr>\n\n# Reinforcement Learning Methods and Tutorials\n\nIn these tutorials for reinforcement learning, it covers from the basic RL algorithms to advanced algorithms developed recent years.\n\n**If you speak Chinese, visit [莫烦 Python](https:\u002F\u002Fmofanpy.com) or my [Youtube channel](https:\u002F\u002Fwww.youtube.com\u002Fchannel\u002FUCdyjiB5H8Pu7aDTNVXTTpcg) for more.**\n\n**As many requests about making these tutorials available in English, please find them in this playlist:** ([https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLXO45tsB95cIplu-fLMpUEEZTwrDNh6Ba](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLXO45tsB95cIplu-fLMpUEEZTwrDNh6Ba))\n\n# Table of Contents\n\n* Tutorials\n    * [Simple entry example](contents\u002F1_command_line_reinforcement_learning)\n    * [Q-learning](contents\u002F2_Q_Learning_maze)\n    * [Sarsa](contents\u002F3_Sarsa_maze)\n    * [Sarsa(lambda)](contents\u002F4_Sarsa_lambda_maze)\n    * [Deep Q Network (DQN)](contents\u002F5_Deep_Q_Network)\n    * [Using OpenAI Gym](contents\u002F6_OpenAI_gym)\n    * [Double DQN](contents\u002F5.1_Double_DQN)\n    * [DQN with Prioitized Experience Replay](contents\u002F5.2_Prioritized_Replay_DQN)\n    * [Dueling DQN](contents\u002F5.3_Dueling_DQN)\n    * [Policy Gradients](contents\u002F7_Policy_gradient_softmax)\n    * [Actor-Critic](contents\u002F8_Actor_Critic_Advantage)\n    * [Deep Deterministic Policy Gradient (DDPG)](contents\u002F9_Deep_Deterministic_Policy_Gradient_DDPG)\n    * [A3C](contents\u002F10_A3C)\n    * [Dyna-Q](contents\u002F11_Dyna_Q)\n    * [Proximal Policy Optimization (PPO)](contents\u002F12_Proximal_Policy_Optimization)\n    * [Curiosity Model](\u002Fcontents\u002FCuriosity_Model), [Random Network Distillation (RND)](\u002Fcontents\u002FCuriosity_Model\u002FRandom_Network_Distillation.py)\n* [Some of my experiments](experiments)\n    * [2D Car](experiments\u002F2D_car)\n    * [Robot arm](experiments\u002FRobot_arm)\n    * [BipedalWalker](experiments\u002FSolve_BipedalWalker)\n    * [LunarLander](experiments\u002FSolve_LunarLander)\n\n# Some RL Networks\n### [Deep Q Network](contents\u002F5_Deep_Q_Network)\n\n\u003Ca href=\"contents\u002F5_Deep_Q_Network\">\n    \u003Cimg class=\"course-image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_Reinforcement-learning-with-tensorflow_readme_29b6bf9b60c8.png\">\n\u003C\u002Fa>\n\n### [Double DQN](contents\u002F5.1_Double_DQN)\n\n\u003Ca href=\"contents\u002F5.1_Double_DQN\">\n    \u003Cimg class=\"course-image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_Reinforcement-learning-with-tensorflow_readme_782f42acae69.png\">\n\u003C\u002Fa>\n\n### [Dueling DQN](contents\u002F5.3_Dueling_DQN)\n\n\u003Ca href=\"contents\u002F5.3_Dueling_DQN\">\n    \u003Cimg class=\"course-image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_Reinforcement-learning-with-tensorflow_readme_b1e9ecd58fee.png\">\n\u003C\u002Fa>\n\n### [Actor Critic](contents\u002F8_Actor_Critic_Advantage)\n\n\u003Ca href=\"contents\u002F8_Actor_Critic_Advantage\">\n    \u003Cimg class=\"course-image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_Reinforcement-learning-with-tensorflow_readme_e9d11acdebc8.png\">\n\u003C\u002Fa>\n\n### [Deep Deterministic Policy Gradient](contents\u002F9_Deep_Deterministic_Policy_Gradient_DDPG)\n\n\u003Ca href=\"contents\u002F9_Deep_Deterministic_Policy_Gradient_DDPG\">\n    \u003Cimg class=\"course-image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_Reinforcement-learning-with-tensorflow_readme_29539556358f.png\">\n\u003C\u002Fa>\n\n### [A3C](contents\u002F10_A3C)\n\n\u003Ca href=\"contents\u002F10_A3C\">\n    \u003Cimg class=\"course-image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_Reinforcement-learning-with-tensorflow_readme_9104dddef521.png\">\n\u003C\u002Fa>\n\n### [Proximal Policy Optimization (PPO)](contents\u002F12_Proximal_Policy_Optimization)\n\n\u003Ca href=\"contents\u002F12_Proximal_Policy_Optimization\">\n    \u003Cimg class=\"course-image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_Reinforcement-learning-with-tensorflow_readme_3224144a19cd.png\">\n\u003C\u002Fa>\n\n### [Curiosity Model](\u002Fcontents\u002FCuriosity_Model)\n\n\u003Ca href=\"\u002Fcontents\u002FCuriosity_Model\">\n    \u003Cimg class=\"course-image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_Reinforcement-learning-with-tensorflow_readme_89445a4be45e.png\">\n\u003C\u002Fa>\n\n# Donation\n\n*If this does help you, please consider donating to support me for better tutorials. Any contribution is greatly appreciated!*\n\n\u003Cdiv >\n  \u003Ca href=\"https:\u002F\u002Fwww.paypal.com\u002Fcgi-bin\u002Fwebscr?cmd=_donations&business=morvanzhou%40gmail%2ecom&lc=C2&item_name=MorvanPython&currency_code=AUD&bn=PP%2dDonationsBF%3abtn_donateCC_LG%2egif%3aNonHosted\">\n    \u003Cimg style=\"border-radius: 20px;  box-shadow: 0px 0px 10px 1px  #888888;\"\n         src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_Reinforcement-learning-with-tensorflow_readme_bf138c8f1d47.png\"\n         alt=\"Paypal\"\n         height=\"auto\" >\u003C\u002Fa>\n\u003C\u002Fdiv>\n\n\u003Cdiv>\n  \u003Ca href=\"https:\u002F\u002Fwww.patreon.com\u002Fmorvan\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_Reinforcement-learning-with-tensorflow_readme_5a9a1e19a43a.jpg\"\n         alt=\"Patreon\"\n         height=120>\u003C\u002Fa>\n\u003C\u002Fdiv>\n","\u003Cp align=\"center\">\n    \u003Ca href=\"https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=pieI7rOXELI&list=PLXO45tsB95cIplu-fLMpUEEZTwrDNh6Ba\" target=\"_blank\">\n    \u003Cimg width=\"60%\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_Reinforcement-learning-with-tensorflow_readme_f9aea9b1eb86.jpg\" style=\"max-width:100%;\">\n    \u003C\u002Fa>\n\u003C\u002Fp>\n\n\n\u003Cbr>\n\n# 强化学习（Reinforcement Learning, RL）方法与教程\n\n这些强化学习教程涵盖了从基础的 RL 算法到近年来发展的高级算法。\n\n**如果你会中文，请访问 [莫烦 Python](https:\u002F\u002Fmofanpy.com) 或我的 [YouTube 频道](https:\u002F\u002Fwww.youtube.com\u002Fchannel\u002FUCdyjiB5H8Pu7aDTNVXTTpcg) 获取更多内容。**\n\n**由于很多人希望这些教程提供英文版本，请查看此播放列表：** ([https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLXO45tsB95cIplu-fLMpUEEZTwrDNh6Ba](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLXO45tsB95cIplu-fLMpUEEZTwrDNh6Ba))\n\n# 目录\n\n* 教程\n    * [简单入门示例](contents\u002F1_command_line_reinforcement_learning)\n    * [Q-learning](contents\u002F2_Q_Learning_maze)\n    * [Sarsa](contents\u002F3_Sarsa_maze)\n    * [Sarsa(lambda)](contents\u002F4_Sarsa_lambda_maze)\n    * [深度 Q 网络（Deep Q Network, DQN）](contents\u002F5_Deep_Q_Network)\n    * [使用 OpenAI Gym](contents\u002F6_OpenAI_gym)\n    * [Double DQN](contents\u002F5.1_Double_DQN)\n    * [带优先经验回放的 DQN（DQN with Prioritized Experience Replay）](contents\u002F5.2_Prioritized_Replay_DQN)\n    * [Dueling DQN](contents\u002F5.3_Dueling_DQN)\n    * [策略梯度（Policy Gradients）](contents\u002F7_Policy_gradient_softmax)\n    * [Actor-Critic](contents\u002F8_Actor_Critic_Advantage)\n    * [深度确定性策略梯度（Deep Deterministic Policy Gradient, DDPG）](contents\u002F9_Deep_Deterministic_Policy_Gradient_DDPG)\n    * [A3C](contents\u002F10_A3C)\n    * [Dyna-Q](contents\u002F11_Dyna_Q)\n    * [近端策略优化（Proximal Policy Optimization, PPO）](contents\u002F12_Proximal_Policy_Optimization)\n    * [好奇心模型（Curiosity Model）](\u002Fcontents\u002FCuriosity_Model), [随机网络蒸馏（Random Network Distillation, RND）](\u002Fcontents\u002FCuriosity_Model\u002FRandom_Network_Distillation.py)\n* [我的一些实验](experiments)\n    * [2D 小车](experiments\u002F2D_car)\n    * [机械臂](experiments\u002FRobot_arm)\n    * [BipedalWalker](experiments\u002FSolve_BipedalWalker)\n    * [LunarLander](experiments\u002FSolve_LunarLander)\n\n# 一些 RL 网络结构\n### [深度 Q 网络（Deep Q Network, DQN）](contents\u002F5_Deep_Q_Network)\n\n\u003Ca href=\"contents\u002F5_Deep_Q_Network\">\n    \u003Cimg class=\"course-image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_Reinforcement-learning-with-tensorflow_readme_29b6bf9b60c8.png\">\n\u003C\u002Fa>\n\n### [Double DQN](contents\u002F5.1_Double_DQN)\n\n\u003Ca href=\"contents\u002F5.1_Double_DQN\">\n    \u003Cimg class=\"course-image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_Reinforcement-learning-with-tensorflow_readme_782f42acae69.png\">\n\u003C\u002Fa>\n\n### [Dueling DQN](contents\u002F5.3_Dueling_DQN)\n\n\u003Ca href=\"contents\u002F5.3_Dueling_DQN\">\n    \u003Cimg class=\"course-image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_Reinforcement-learning-with-tensorflow_readme_b1e9ecd58fee.png\">\n\u003C\u002Fa>\n\n### [Actor Critic](contents\u002F8_Actor_Critic_Advantage)\n\n\u003Ca href=\"contents\u002F8_Actor_Critic_Advantage\">\n    \u003Cimg class=\"course-image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_Reinforcement-learning-with-tensorflow_readme_e9d11acdebc8.png\">\n\u003C\u002Fa>\n\n### [深度确定性策略梯度（Deep Deterministic Policy Gradient, DDPG）](contents\u002F9_Deep_Deterministic_Policy_Gradient_DDPG)\n\n\u003Ca href=\"contents\u002F9_Deep_Deterministic_Policy_Gradient_DDPG\">\n    \u003Cimg class=\"course-image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_Reinforcement-learning-with-tensorflow_readme_29539556358f.png\">\n\u003C\u002Fa>\n\n### [A3C](contents\u002F10_A3C)\n\n\u003Ca href=\"contents\u002F10_A3C\">\n    \u003Cimg class=\"course-image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_Reinforcement-learning-with-tensorflow_readme_9104dddef521.png\">\n\u003C\u002Fa>\n\n### [近端策略优化（Proximal Policy Optimization, PPO）](contents\u002F12_Proximal_Policy_Optimization)\n\n\u003Ca href=\"contents\u002F12_Proximal_Policy_Optimization\">\n    \u003Cimg class=\"course-image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_Reinforcement-learning-with-tensorflow_readme_3224144a19cd.png\">\n\u003C\u002Fa>\n\n### [好奇心模型（Curiosity Model）](\u002Fcontents\u002FCuriosity_Model)\n\n\u003Ca href=\"\u002Fcontents\u002FCuriosity_Model\">\n    \u003Cimg class=\"course-image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_Reinforcement-learning-with-tensorflow_readme_89445a4be45e.png\">\n\u003C\u002Fa>\n\n# 捐赠\n\n*如果这些内容对你有帮助，请考虑捐赠以支持我制作更好的教程。任何贡献都深表感谢！*\n\n\u003Cdiv >\n  \u003Ca href=\"https:\u002F\u002Fwww.paypal.com\u002Fcgi-bin\u002Fwebscr?cmd=_donations&business=morvanzhou%40gmail%2ecom&lc=C2&item_name=MorvanPython&currency_code=AUD&bn=PP%2dDonationsBF%3abtn_donateCC_LG%2egif%3aNonHosted\">\n    \u003Cimg style=\"border-radius: 20px;  box-shadow: 0px 0px 10px 1px  #888888;\"\n         src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_Reinforcement-learning-with-tensorflow_readme_bf138c8f1d47.png\"\n         alt=\"Paypal\"\n         height=\"auto\" >\u003C\u002Fa>\n\u003C\u002Fdiv>\n\n\u003Cdiv>\n  \u003Ca href=\"https:\u002F\u002Fwww.patreon.com\u002Fmorvan\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_Reinforcement-learning-with-tensorflow_readme_5a9a1e19a43a.jpg\"\n         alt=\"Patreon\"\n         height=120>\u003C\u002Fa>\n\u003C\u002Fdiv>","# Reinforcement-learning-with-tensorflow 快速上手指南\n\n## 环境准备\n\n- **操作系统**：Windows \u002F macOS \u002F Linux 均可\n- **Python 版本**：建议 Python 3.6+\n- **主要依赖**：\n  - TensorFlow（推荐 1.x 或 2.x 兼容版本）\n  - NumPy\n  - Matplotlib\n  - OpenAI Gym（部分示例需要）\n\n> 💡 国内用户建议使用清华源或阿里源加速安装依赖。\n\n## 安装步骤\n\n1. 克隆仓库：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FReinforcement-learning-with-tensorflow.git\ncd Reinforcement-learning-with-tensorflow\n```\n\n2. 安装依赖（推荐使用虚拟环境）：\n\n```bash\npip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple \\\n    tensorflow numpy matplotlib gym[all]\n```\n\n> ⚠️ 注意：`gym[all]` 包含 Atari 等额外环境，若只需基础功能可仅安装 `gym`。\n\n## 基本使用\n\n运行一个最简单的 Q-learning 示例（迷宫寻路）：\n\n```bash\ncd contents\u002F2_Q_Learning_maze\npython maze_env.py\npython RL_brain.py\npython run_this.py\n```\n\n你将看到智能体在网格世界中学习如何避开陷阱、找到出口的动画过程。\n\n> 📌 所有教程代码均位于 `contents\u002F` 目录下，按算法分类，每个子目录通常包含环境定义、算法实现和主运行脚本。","某高校研究生小李正在参与一个智能机器人路径规划项目，需要让机器人在未知环境中自主学习避障与导航策略。\n\n### 没有 Reinforcement-learning-with-tensorflow 时\n- 缺乏清晰的强化学习入门路径，面对Q-learning、DQN、PPO等算法概念混乱，难以动手实现。\n- 网上开源代码结构复杂、缺少中文注释，调试和理解耗时极长。\n- 尝试复现论文算法时，因对经验回放、策略梯度等机制理解不深，训练过程频繁崩溃或不收敛。\n- 想用OpenAI Gym环境验证想法，但不知如何将自定义状态空间与RL算法对接。\n- 团队进度严重滞后，两周仍停留在理论调研阶段。\n\n### 使用 Reinforcement-learning-with-tensorflow 后\n- 从“Q-learning走迷宫”入门示例快速理解核心思想，当天就跑通第一个RL智能体。\n- 每个算法（如DQN、DDPG、PPO）都配有结构清晰、带详细中文注释的TensorFlow实现，可直接修改适配机器人传感器输入。\n- 教程中对Double DQN解决过估计、Prioritized Replay提升采样效率等技巧有直观演示，显著提升训练稳定性。\n- 通过“Using OpenAI Gym”章节，轻松将自研仿真环境封装成Gym接口，无缝接入已有RL框架。\n- 一周内完成从算法选型到实机初步测试，项目顺利进入下一阶段。\n\nReinforcement-learning-with-tensorflow 将复杂的强化学习技术转化为可运行、可修改、可理解的教学代码，极大降低了从理论到实践的门槛。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_Reinforcement-learning-with-tensorflow_27250747.png","MorvanZhou","Morvan","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FMorvanZhou_b02f189a.jpg","Deep Learning Research & Development at Tencent ",null,"https:\u002F\u002Fmofanpy.com","https:\u002F\u002Fgithub.com\u002FMorvanZhou",[83],{"name":84,"color":85,"percentage":86},"Python","#3572A5",100,9445,5008,"2026-04-03T16:38:16","MIT","Linux, macOS, Windows","未说明",{"notes":94,"python":92,"dependencies":95},"项目基于 TensorFlow 实现强化学习算法，部分示例使用 OpenAI Gym 环境。建议安装兼容的 TensorFlow 和 Gym 版本。由于项目较早，可能需使用 TensorFlow 1.x 或适配 2.x 的兼容模式。",[96,97,98,99],"tensorflow","gym","numpy","matplotlib",[13],[102,103,104,105,106,107,108,109,110,111,112,113,114,115,116,117,118,119,120,121],"reinforcement-learning","tutorial","q-learning","sarsa","sarsa-lambda","deep-q-network","a3c","ddpg","policy-gradient","dqn","double-dqn","prioritized-replay","dueling-dqn","deep-deterministic-policy-gradient","asynchronous-advantage-actor-critic","actor-critic","tensorflow-tutorials","proximal-policy-optimization","ppo","machine-learning",6,"2026-03-27T02:49:30.150509","2026-04-06T05:27:09.532311",[126,131,136,141,146,151,156,161],{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},1539,"传统 Policy Gradient 是否存在数据关联性问题？","是的，基础 Policy Gradient 方法中训练数据也存在不独立的问题，因为数据来自连续的轨迹。虽然不像 DQN 那样广泛讨论经验回放，但 PPO 等算法通过类似 off-policy 的方式（如使用多个 episode 的梯度平均）可以在一定程度上缓解数据相关性问题。若想累积多个回合后再更新策略，可先计算每个回合的梯度并求平均，再用 AdamOptimizer.apply_gradients 更新参数，但注意不能直接对 placeholder 使用 zip，应确保梯度是变量列表而非 Tensor。","https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FReinforcement-learning-with-tensorflow\u002Fissues\u002F61",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},1540,"A3C 在 CartPole 任务中隐藏层神经元是否设置过多？","是的，CartPole 输入仅有 4 维，原代码中使用 200 和 100 个神经元可能导致难以收敛。建议减少至如 24 个神经元，可显著提升收敛速度和效果。此外，收敛问题也可能与 reward 设计、学习率等因素有关。","https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FReinforcement-learning-with-tensorflow\u002Fissues\u002F28",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},1541,"为什么在 Actor-Critic 中使用 np.random.choice 选择动作，而不是选概率最大的动作？","在 Actor-Critic 等基于策略梯度的方法中，动作是根据策略网络输出的概率分布随机采样的（如使用 np.random.choice），这是为了保证探索性。而选择最大概率动作属于确定性策略，适用于如 DQN 等 value-based 方法。两者原理不同：策略梯度依赖概率采样来估计梯度，因此必须保留随机性。","https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FReinforcement-learning-with-tensorflow\u002Fissues\u002F73",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},1542,"A3C 在多维连续动作空间（如 BipedalWalker）中容易陷入局部最优怎么办？","当使用 A3C 处理多维动作时，若陷入最小奖励的局部最优，可能与动作边界处理有关。即使使用 sigmoid 激活函数，仍需通过 tf.clip_by_value(output, lower_bound, upper_bound) 显式限制动作范围（如 [-1, 1]），因为正态分布采样可能导致输出超出预期范围，影响策略学习。","https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FReinforcement-learning-with-tensorflow\u002Fissues\u002F55",{"id":147,"question_zh":148,"answer_zh":149,"source_url":150},1543,"为什么在 CartPole 任务中 Actor-Critic (AC) 表现不如基础 Policy Gradient (PG)？","尽管 AC 理论上应更快收敛（因其使用 critic 提供低方差优势估计），但在 CartPole 等简单离散任务中，AC 实际更难训练，常出现振荡或无法收敛的情况。这可能与 critic 网络训练不稳定有关。建议在此类任务中优先尝试 PG 或其他更稳定的算法（如 PPO）。","https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FReinforcement-learning-with-tensorflow\u002Fissues\u002F63",{"id":152,"question_zh":153,"answer_zh":154,"source_url":155},1544,"在 PPO 中，最后一个状态的价值是否应设为 0？","是的，在有终止状态的环境中，最后一个状态（终止状态）没有后续奖励，因此其状态价值（V(s)）或 Q 值应设为 0。这是因为回报是基于后续状态的奖励计算的，终止状态无后续，故累积回报为 0。但在无终止的无限 horizon 环境中，则不存在“最后一个状态”，无需此处理。","https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FReinforcement-learning-with-tensorflow\u002Fissues\u002F172",{"id":157,"question_zh":158,"answer_zh":159,"source_url":160},1545,"DDPG 训练 Critic 网络时是否会错误地更新 Actor 网络的参数？","是的，若直接使用 optimizer.minimize(loss) 而未指定变量范围，TensorFlow 可能会将 Actor 网络的参数也纳入 Critic 的梯度更新，违反 DDPG 原理。正确做法有两种：(1) 在 Critic 输入动作时使用 tf.stop_gradient(a) 阻断梯度回传；(2) 显式指定 var_list，例如 self.train_op = tf.train.AdamOptimizer(self.lr).minimize(self.loss, var_list=tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES, scope='Critic\u002Feval_net'))。","https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FReinforcement-learning-with-tensorflow\u002Fissues\u002F109",{"id":162,"question_zh":163,"answer_zh":164,"source_url":165},1546,"Policy Gradient 训练中出现 NaN 的 prob_weights 如何解决？","NaN 通常源于 loss 计算中的 log(0)。解决方案包括：(1) 在计算 -log(prob) 前对 prob 加小常数（如 1e-8）防止取 log(0)；(2) 检查 reward 是否过大导致梯度爆炸，可对 reward 进行标准化（如减去均值、除以标准差）；(3) 降低学习率。这些措施可有效避免数值不稳定导致的 NaN。","https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FReinforcement-learning-with-tensorflow\u002Fissues\u002F99",[]]