[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-MorvanZhou--pytorch-A3C":3,"tool-MorvanZhou--pytorch-A3C":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":23,"env_os":91,"env_gpu":91,"env_ram":91,"env_deps":92,"category_tags":99,"github_topics":100,"view_count":10,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":108,"updated_at":109,"faqs":110,"releases":146},198,"MorvanZhou\u002Fpytorch-A3C","pytorch-A3C","Simple A3C implementation with pytorch + multiprocessing","pytorch-A3C 是一个基于 PyTorch 框架的异步优势演员 - 评论家（A3C）强化学习算法的简洁实现。pytorch-A3C 致力于提供一个易于理解的多进程异步训练示例，帮助开发者快速掌握强化学习的核心逻辑。\n\n面对强化学习实现代码复杂难懂的问题，pytorch-A3C 将核心代码控制在 200 行以内，显著降低了学习门槛。pytorch-A3C 利用 PyTorch 对多进程的良好兼容性，解决了 TensorFlow 在单机多进程训练上的局限性，实现了高效的并行神经网络训练。此外，pytorch-A3C 同时支持离散动作空间（如 CartPole）和连续动作空间（如 Pendulum）的游戏环境，适用性更广。\n\n这个项目非常适合想要深入学习强化学习原理、研究 A3C 算法细节或探索 PyTorch 多进程机制的开发者与研究人员。代码中包含了共享优化器（shared_adam）等实用模块，并提供了训练过程的可视化结果，便于用户直观评估模型性能。如果你正在寻找一个干净、透明且功能完整的强化学习入门项目，pytorch-A3C 是一个理想的选择。","# Simple implementation of Reinforcement Learning (A3C) using Pytorch\n\nThis is a toy example of using multiprocessing in Python to asynchronously train a\nneural network to play discrete action [CartPole](https:\u002F\u002Fgym.openai.com\u002Fenvs\u002FCartPole-v0\u002F) and\ncontinuous action [Pendulum](https:\u002F\u002Fgym.openai.com\u002Fenvs\u002FPendulum-v0\u002F) games.\nThe asynchronous algorithm I used is called [Asynchronous Advantage Actor-Critic](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1602.01783.pdf) or A3C.\n\nI believe it would be the simplest toy implementation you can find at the moment (2018-01).\n\n## What are the main focuses in this implementation?\n\n* Pytorch + multiprocessing (NOT threading) for parallel training\n* Both discrete and continuous action environments\n* To be simple and easy to dig into the code (less than 200 lines)\n\n## Reason of using [Pytorch](http:\u002F\u002Fpytorch.org\u002F) instead of [Tensorflow](https:\u002F\u002Fwww.tensorflow.org\u002F)\n\nBoth of them are great for building your customized neural network. But to work\nwith multiprocessing, Tensorflow is not that great due to its low compatibility with multiprocessing.\nI have an implementation of [Tensorflow A3C build on threading](https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FReinforcement-learning-with-tensorflow\u002Ftree\u002Fmaster\u002Fcontents\u002F10_A3C).\nI even tried to implement [distributed Tensorflow](https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FReinforcement-learning-with-tensorflow\u002Fblob\u002Fmaster\u002Fcontents\u002F10_A3C\u002FA3C_distributed_tf.py).\nHowever, the distributed version is for cluster computing which I don't have.\nWhen using only one machine, it is slower than threading version I wrote.\n\nFortunately, Pytorch gets the [multiprocessing compatibility](http:\u002F\u002Fpytorch.org\u002Fdocs\u002Fmaster\u002Fnotes\u002Fmultiprocessing.html).\nI went through many Pytorch A3C examples ([there](https:\u002F\u002Fgithub.com\u002Fikostrikov\u002Fpytorch-a3c), [there](https:\u002F\u002Fgithub.com\u002Fjingweiz\u002Fpytorch-rl)\nand [there](https:\u002F\u002Fgithub.com\u002FShangtongZhang\u002FDeepRL)). They are great but too complicated to dig into the code.\nTherefore, this is my motivation to write my simple example codes.\n\nBTW, if you are interested to learn Pytorch, [there](https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FPyTorch-Tutorial)\n is my simple tutorial code with many visualizations. I also made the tensorflow tutorial (same as pytorch) available in [here](https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FTensorflow-Tutorial).\n\n## Codes & Results\n\n* [shared_adam.py](\u002Fshared_adam.py): optimizer that shares its parameters in parallel\n* [utils.py](\u002Futils.py): useful function that can be used more than once\n* [discrete_A3C.py](\u002Fdiscrete_A3C.py): CartPole, neural net and training for discrete action space\n* [continuous_A3C.py](\u002Fcontinuous_A3C.py): Pendulum, neural net and training for continuous action space\n\nCartPole result\n![cartpole](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_pytorch-A3C_readme_4260a8fa60cd.png)\n\nPendulum result\n![pendulum](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_pytorch-A3C_readme_6ceddac81680.png)\n\n## Dependencies\n\n* pytorch >= 0.4.0\n* numpy\n* gym\n* matplotlib\n","# 使用 Pytorch 简单实现强化学习（Reinforcement Learning）(A3C)\n\n这是一个使用 Python 多进程（multiprocessing）异步训练神经网络（neural network）来玩离散动作（discrete action）[CartPole](https:\u002F\u002Fgym.openai.com\u002Fenvs\u002FCartPole-v0\u002F) 和连续动作（continuous action）[Pendulum](https:\u002F\u002Fgym.openai.com\u002Fenvs\u002FPendulum-v0\u002F) 游戏的简易示例。我使用的异步算法称为 [Asynchronous Advantage Actor-Critic](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1602.01783.pdf)（异步优势演员 - 评论家），简称 A3C。\n\n我相信这是目前（2018-01）你能找到的最简单的简易实现。\n\n## 此实现的主要关注点是什么？\n\n*   使用 Pytorch + 多进程（multiprocessing）（而非多线程 threading）进行并行训练\n*   涵盖离散和连续动作环境\n*   保持简单易懂，便于深入代码（少于 200 行）\n\n## 使用 [Pytorch](http:\u002F\u002Fpytorch.org\u002F) 而非 [Tensorflow](https:\u002F\u002Fwww.tensorflow.org\u002F) 的原因\n\n两者都非常适合构建自定义神经网络（neural network）。但在多进程（multiprocessing）协作方面，Tensorflow 由于与多进程兼容性较低，表现不佳。\n我有一个基于多线程（threading）构建的 [Tensorflow A3C 实现](https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FReinforcement-learning-with-tensorflow\u002Ftree\u002Fmaster\u002Fcontents\u002F10_A3C)。\n我甚至尝试实现 [分布式 Tensorflow](https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FReinforcement-learning-with-tensorflow\u002Fblob\u002Fmaster\u002Fcontents\u002F10_A3C\u002FA3C_distributed_tf.py)。\n然而，分布式版本适用于集群计算，而我并没有这样的环境。当仅使用一台机器时，它比我写的多线程版本还要慢。\n\n幸运的是，Pytorch 具备 [多进程兼容性](http:\u002F\u002Fpytorch.org\u002Fdocs\u002Fmaster\u002Fnotes\u002Fmultiprocessing.html)。\n我查阅了许多 Pytorch A3C 示例（[这里](https:\u002F\u002Fgithub.com\u002Fikostrikov\u002Fpytorch-a3c)、[这里](https:\u002F\u002Fgithub.com\u002Fjingweiz\u002Fpytorch-rl) 和 [这里](https:\u002F\u002Fgithub.com\u002FShangtongZhang\u002FDeepRL)）。它们很棒，但代码过于复杂，难以深入理解。\n因此，这就是我编写这个简单示例代码的动机。\n\n顺便说一句，如果你有兴趣学习 Pytorch，[这里](https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FPyTorch-Tutorial) 有我带有许多可视化内容的简单教程代码。我也制作了 Tensorflow 教程（与 Pytorch 内容相同），可在 [这里](https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FTensorflow-Tutorial) 获取。\n\n## 代码与结果\n\n*   [shared_adam.py](\u002Fshared_adam.py): 并行共享参数的优化器（optimizer）\n*   [utils.py](\u002Futils.py): 可重复使用的实用函数\n*   [discrete_A3C.py](\u002Fdiscrete_A3C.py): CartPole，针对离散动作空间的神经网络和训练\n*   [continuous_A3C.py](\u002Fcontinuous_A3C.py): Pendulum，针对连续动作空间的神经网络和训练\n\nCartPole 结果\n![cartpole](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_pytorch-A3C_readme_4260a8fa60cd.png)\n\nPendulum 结果\n![pendulum](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_pytorch-A3C_readme_6ceddac81680.png)\n\n## 依赖项\n\n*   pytorch >= 0.4.0\n*   numpy\n*   gym\n*   matplotlib","# pytorch-A3C 快速上手指南\n\n本项目是使用 PyTorch 实现的异步优势演员 - 评论家（A3C）强化学习算法示例。支持通过多进程（multiprocessing）并行训练神经网络，适用于离散动作（CartPole）和连续动作（Pendulum）环境。代码简洁（少于 200 行），适合深入学习。\n\n## 环境准备\n\n请确保您的开发环境满足以下依赖要求：\n\n*   **PyTorch**: 版本 >= 0.4.0\n*   **Python 库**:\n    *   numpy\n    *   gym\n    *   matplotlib\n\n## 安装步骤\n\n1.  **获取代码**\n    克隆仓库到本地：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002Fpytorch-A3C.git\n    cd pytorch-A3C\n    ```\n\n2.  **安装依赖**\n    使用 pip 安装所需库。为提高下载速度，国内用户推荐使用镜像源：\n    ```bash\n    pip install torch numpy gym matplotlib -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n\n## 基本使用\n\n根据您需要训练的环境类型，运行对应的脚本：\n\n*   **离散动作环境 (CartPole)**\n    运行离散动作空间的训练脚本：\n    ```bash\n    python discrete_A3C.py\n    ```\n\n*   **连续动作环境 (Pendulum)**\n    运行连续动作空间的训练脚本：\n    ```bash\n    python continuous_A3C.py\n    ```\n\n运行后将看到训练过程的可视化结果。","某机器人实验室的研究员需要在单台多核服务器上，快速验证强化学习算法对机械臂连续控制与决策系统的训练效果。\n\n### 没有 pytorch-A3C 时\n- TensorFlow 对多进程兼容性差，只能使用多线程，导致多核 CPU 利用率极低。\n- 主流开源实现代码量庞大且复杂，难以理解异步优势演员 - 评论家算法的核心逻辑。\n- 单机训练效率低下，验证一个策略需要数天时间，严重拖慢研发进度。\n- 离散与连续动作空间需要切换不同代码库，维护成本高且容易出错。\n\n### 使用 pytorch-A3C 后\n- pytorch-A3C 基于 PyTorch 原生多进程支持，完美并行化训练，最大化硬件性能。\n- 核心实现少于 200 行，结构透明，研究员可轻松修改网络结构适配特定任务。\n- 异步训练机制显著加快收敛速度，将原本数天的验证周期缩短至数小时。\n- 同一套代码框架同时兼容离散和连续动作环境，统一了开发流程。\n\npytorch-A3C 通过极简设计与高效并行，让强化学习算法的单机验证变得快速且低成本。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_pytorch-A3C_4260a8fa.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",100,657,145,"2026-03-30T09:11:28","MIT","未说明",{"notes":93,"python":91,"dependencies":94},"这是一个 2018 年的简易强化学习示例项目，代码少于 200 行。核心特点是用 Pytorch 结合多进程（multiprocessing）进行异步训练，而非多线程。支持离散动作（CartPole）和连续动作（Pendulum）环境。由于依赖的 Pytorch 版本较旧（>=0.4.0），在现代环境中运行可能需要注意兼容性问题。",[95,96,97,98],"pytorch>=0.4.0","numpy","gym","matplotlib",[13],[101,102,97,103,104,105,106,107],"pytorch","a3c","neural-network","asynchronous-advantage-actor-critic","multiprocessing","toy-example","actor-critic","2026-03-27T02:49:30.150509","2026-04-06T05:36:25.635995",[111,116,121,126,131,136,141],{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},509,"在 Linux 上运行或网络变大时，代码卡在 forward 函数不动怎么办？","这通常是由于多进程启动方法不一致导致的。建议在 `if __name__ == '__main__':` 作用域开头添加以下代码设置启动方法：\n`mp.set_start_method(\"spawn\")`\n如果问题依旧，可能是共享内存不足，尝试增大 `\u002Fdev\u002Fshm` 大小。","https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002Fpytorch-A3C\u002Fissues\u002F7",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},510,"扩展环境状态维度（如从 4 拓宽到 2048）后程序卡住，如何解决？","不同系统的多进程方法可能不同。在 Linux 上尝试显式设置多进程启动方法为 'forkserver'：\n`if __name__ == \"__main__\": mp.set_start_method('forkserver')`\n此外，检查系统共享内存限制，尝试增大 `\u002Fdev\u002Fshm` 至 512M 或更高。","https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002Fpytorch-A3C\u002Fissues\u002F9",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},511,"Loss 函数中 log_prob 与 td 相乘时，使用 squeeze() 和 [0] 有什么区别？","在这个例子中两者没有差别。`squeeze()` 的作用是将所有维度为 1 的维度去掉，例如将形状 (5,1,2) 变成 (5,2)。直接使用 `td.detach().squeeze()` 即可。","https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002Fpytorch-A3C\u002Fissues\u002F5",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},512,"共享优化器（Shared Optimizer）中哪些变量需要共享内存？","如果使用 Adam 优化器，需要共享 `state['step']`，否则会导致 bias_correction 错误。代码应包含 `state['step'].share_memory_()`。如果使用 RMSprop，则不需要共享 step。","https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002Fpytorch-A3C\u002Fissues\u002F2",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},513,"更新全局梯度时是否需要加锁（Lock）以保证线程安全？","可以不添加锁。这种无锁更新机制类似于论文 \"Hogwild: A lock-free approach to parallelizing stochastic gradient descent\" 中的方法。维护者尝试过加锁，但发现性能提升不明显。","https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002Fpytorch-A3C\u002Fissues\u002F6",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},514,"使用多线程（threading）训练时，需要进行共享内存（share memory）操作吗？","使用 threading 多线程时，线程间的共享比进程间更简单，通常不需要像多进程那样显式进行 share_memory 操作。但具体 PyTorch 设置需根据实际尝试确定。","https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002Fpytorch-A3C\u002Fissues\u002F28",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},515,"在 Mac (M1\u002FPython 3.9+) 上运行报错 TypeError 或 AttributeError 怎么办？","这可能是由于 Mac M1 芯片或 Python 版本兼容性导致的。例如某些索引操作在不同版本下行为不同（如 tuple indices 错误）。建议检查代码中数组索引方式，或尝试调整 Python 版本。","https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002Fpytorch-A3C\u002Fissues\u002F23",[]]