[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-denisyarats--pytorch_sac":3,"tool-denisyarats--pytorch_sac":61},[4,18,26,36,44,52],{"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",141543,2,"2026-04-06T11:32:54",[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。",107888,"2026-04-06T11:32:50",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":10,"last_commit_at":50,"category_tags":51,"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":53,"name":54,"github_repo":55,"description_zh":56,"stars":57,"difficulty_score":10,"last_commit_at":58,"category_tags":59,"status":17},4292,"Deep-Live-Cam","hacksider\u002FDeep-Live-Cam","Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。\n\n这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。\n\n其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。",88924,"2026-04-06T03:28:53",[14,15,13,60],"视频",{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":78,"owner_twitter":72,"owner_website":79,"owner_url":80,"languages":81,"stars":90,"forks":91,"last_commit_at":92,"license":93,"difficulty_score":10,"env_os":94,"env_gpu":95,"env_ram":94,"env_deps":96,"category_tags":101,"github_topics":102,"view_count":32,"oss_zip_url":78,"oss_zip_packed_at":78,"status":17,"created_at":114,"updated_at":115,"faqs":116,"releases":146},4386,"denisyarats\u002Fpytorch_sac","pytorch_sac","PyTorch implementation of Soft Actor-Critic (SAC)","pytorch_sac 是一个基于 PyTorch 框架实现的软演员 - 评论家（Soft Actor-Critic, SAC）强化学习算法库。它旨在解决传统强化学习在连续控制任务中样本效率低和训练不稳定的痛点，通过引入最大熵原理，让智能体在追求高回报的同时保持策略的随机性，从而显著提升探索能力和鲁棒性。\n\n这款工具特别适合人工智能研究人员、算法工程师以及希望深入理解或复现前沿强化学习成果的开发者使用。其核心亮点在于提供了高度模块化且易于扩展的代码结构，并经过了严格的基准测试验证：在 DM Control Suite 的一系列复杂任务（如猎豹奔跑）中，pytorch_sac 在固定超参数的情况下，性能表现优异且稳定，甚至可与著名的 D4PG 算法相媲美。\n\n用户只需简单的命令行指令即可启动训练，项目会自动记录日志、生成 TensorBoard 可视化数据及评估视频，极大地降低了实验门槛。无论是用于学术研究对比，还是作为构建更复杂机器人控制系统的基石，pytorch_sac 都是一个可靠且高效的选择。","# Soft Actor-Critic (SAC) implementation in PyTorch\n\nThis is PyTorch implementation of Soft Actor-Critic (SAC) [[ArXiv]](https:\u002F\u002Farxiv.org\u002Fabs\u002F1812.05905).\n\nIf you use this code in your research project please cite us as:\n```\n@misc{pytorch_sac,\n  author = {Yarats, Denis and Kostrikov, Ilya},\n  title = {Soft Actor-Critic (SAC) implementation in PyTorch},\n  year = {2020},\n  publisher = {GitHub},\n  journal = {GitHub repository},\n  howpublished = {\\url{https:\u002F\u002Fgithub.com\u002Fdenisyarats\u002Fpytorch_sac}},\n}\n```\n\n## Requirements\nWe assume you have access to a gpu that can run CUDA 9.2. Then, the simplest way to install all required dependencies is to create an anaconda environment and activate it:\n```\nconda env create -f conda_env.yml\nsource activate pytorch_sac\n```\n\n## Instructions\nTo train an SAC agent on the `cheetah run` task run:\n```\npython train.py env=cheetah_run\n```\nThis will produce `exp` folder, where all the outputs are going to be stored including train\u002Feval logs, tensorboard blobs, and evaluation episode videos. One can attacha tensorboard to monitor training by running:\n```\ntensorboard --logdir exp\n```\n\n## Results\nAn extensive benchmarking of SAC on the DM Control Suite against D4PG. We plot an average performance of SAC over 3 seeds together with p95 confidence intervals. Importantly, we keep the hyperparameters fixed across all the tasks. Note that results for D4PG are reported after 10^8 steps and taken from the original paper.\n![Results](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdenisyarats_pytorch_sac_readme_d7595b4ff896.png)\n","# PyTorch 中的软 Actor-Critic (SAC) 实现\n\n这是 Soft Actor-Critic (SAC) 的 PyTorch 实现 [[ArXiv]](https:\u002F\u002Farxiv.org\u002Fabs\u002F1812.05905)。\n\n如果您在研究项目中使用此代码，请引用我们如下：\n```\n@misc{pytorch_sac,\n  author = {Yarats, Denis and Kostrikov, Ilya},\n  title = {Soft Actor-Critic (SAC) implementation in PyTorch},\n  year = {2020},\n  publisher = {GitHub},\n  journal = {GitHub repository},\n  howpublished = {\\url{https:\u002F\u002Fgithub.com\u002Fdenisyarats\u002Fpytorch_sac}},\n}\n```\n\n## 需求\n我们假设您有一块支持 CUDA 9.2 的 GPU。安装所有必要依赖的最简单方法是创建并激活一个 Anaconda 环境：\n```\nconda env create -f conda_env.yml\nsource activate pytorch_sac\n```\n\n## 使用说明\n要在 `cheetah run` 任务上训练一个 SAC 智能体，运行：\n```\npython train.py env=cheetah_run\n```\n这将生成一个 `exp` 文件夹，所有输出都将存储在其中，包括训练\u002F评估日志、TensorBoard 数据以及评估剧集视频。可以通过运行以下命令来连接 TensorBoard 监控训练过程：\n```\ntensorboard --logdir exp\n```\n\n## 结果\n我们在 DM Control Suite 上对 SAC 和 D4PG 进行了全面的基准测试。我们绘制了 SAC 在 3 个随机种子下的平均性能曲线，并附上了 p95 置信区间。重要的是，我们在所有任务中都保持超参数不变。请注意，D4PG 的结果是在 10^8 步之后报告的，并取自原始论文。\n![结果](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdenisyarats_pytorch_sac_readme_d7595b4ff896.png)","# pytorch_sac 快速上手指南\n\n## 环境准备\n- **系统要求**：需要配备支持 **CUDA 9.2** 的 GPU。\n- **前置依赖**：需预先安装 [Anaconda](https:\u002F\u002Fwww.anaconda.com\u002F) 或 Miniconda 以管理 Python 环境。\n\n## 安装步骤\n使用官方提供的配置文件创建并激活 Conda 环境，这是最简便的安装方式：\n\n```bash\nconda env create -f conda_env.yml\nsource activate pytorch_sac\n```\n\n> **提示**：若在国内网络环境下下载依赖较慢，可在运行上述命令前配置 Conda 国内镜像源（如清华源）：\n> ```bash\n> conda config --add channels https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Fpkgs\u002Fmain\u002F\n> conda config --add channels https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Fpkgs\u002Ffree\u002F\n> conda config --set show_channel_urls yes\n> ```\n\n## 基本使用\n以下示例演示如何训练一个 SAC 智能体来执行 `cheetah_run`（猎豹奔跑）任务：\n\n1. **开始训练**\n   运行以下命令，程序将自动生成 `exp` 文件夹，用于存储训练\u002F评估日志、TensorBoard 数据及评估视频：\n   ```bash\n   python train.py env=cheetah_run\n   ```\n\n2. **监控训练过程**\n   启动 TensorBoard 以可视化监控训练指标：\n   ```bash\n   tensorboard --logdir exp\n   ```\n   随后在浏览器中访问显示的地址即可查看实时图表。","某机器人实验室的研究团队正致力于训练一只四足机器人在复杂地形上实现平稳奔跑，需要利用深度强化学习算法来优化其运动控制策略。\n\n### 没有 pytorch_sac 时\n- 研究人员需从零复现 Soft Actor-Critic 算法，极易因熵正则化项或目标网络更新逻辑的代码细节错误导致训练发散。\n- 缺乏统一且经过验证的超参数配置，团队在“猎豹奔跑”等高难度任务上耗费数周时间进行盲目的参数调优。\n- 训练过程缺乏标准化的监控体系，难以实时通过 TensorBoard 对比不同种子下的性能曲线及置信区间，排查问题效率低下。\n- 无法直接复用官方基准测试结果，难以判断当前模型表现不佳是源于代码缺陷还是算法本身的局限性。\n\n### 使用 pytorch_sac 后\n- 直接调用成熟稳定的 PyTorch 实现，确保了核心算法逻辑与论文一致，显著降低了因实现偏差导致的训练失败风险。\n- 沿用作者在 DM Control Suite 上验证过的固定超参数集，无需繁琐调参即可在复杂任务中获得接近 SOTA 的收敛效果。\n- 一键生成包含训练日志、评估视频及 TensorBoard 数据的标准化输出目录，让团队能直观监控智能体从跌倒到熟练奔跑的全过程。\n- 依托工具提供的权威基准对比（如与 D4PG 的性能对照），团队能快速定位性能瓶颈，将研发重心从“修代码”转移至“优化策略”。\n\npytorch_sac 通过提供工业级可用的算法实现与标准化实验流程，将机器人控制算法的研发周期从数月缩短至数天。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdenisyarats_pytorch_sac_e47a601b.png","denisyarats","Denis Yarats","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fdenisyarats_498b434d.jpg","PhD student in AI at New York University","NYU","New York",null,"https:\u002F\u002Fcs.nyu.edu\u002F~dy1042","https:\u002F\u002Fgithub.com\u002Fdenisyarats",[82,86],{"name":83,"color":84,"percentage":85},"Jupyter Notebook","#DA5B0B",99.4,{"name":87,"color":88,"percentage":89},"Python","#3572A5",0.6,594,110,"2026-03-25T02:37:39","MIT","未说明","必需，支持 CUDA 9.2 的 NVIDIA GPU",{"notes":97,"python":94,"dependencies":98},"建议使用 Anaconda 创建并激活名为 'pytorch_sac' 的环境进行安装（通过 conda_env.yml 文件）。训练结果将存储在 'exp' 文件夹中，包含日志、TensorBoard 数据和评估视频。",[99,100],"pytorch","conda",[14],[103,104,105,99,106,107,108,109,110,111,112,113],"reinforcement-learning","dm-control","soft-actor-critic","deep-reinforcement-learning","actor-critic","mujoco","gym","deep-learning","sac","continuous-control","d4pg","2026-03-27T02:49:30.150509","2026-04-06T20:03:42.477366",[117,122,127,131,136,141],{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},19942,"代码运行速度太慢（例如 100 万步需要 15 小时），如何提升训练速度？","在单张 GPU 上，100 万环境步（environment steps）的运行时间应少于 2 小时。如果您的运行时间远超此数值（如 15 小时），请检查您的硬件配置或代码实现是否正确。正常情况下，DeepMind Control (DM Control) 的大多数任务应在 2 小时左右完成求解。","https:\u002F\u002Fgithub.com\u002Fdenisyarats\u002Fpytorch_sac\u002Fissues\u002F4",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},19943,"为什么使用 tanh 和仿射变换来约束 log_std，而不是直接裁剪（clamping）？参数 2 和 -5 是如何选择的？","这种约束方式（先 tanh 再仿射变换）是为了防止方差消失或爆炸，从而保持探索能力。直接使用裁剪可能会导致梯度问题。参数 2 (log_std_max) 和 -5 (log_std_min) 是维护者通过试错法选择的超参数，用于控制方差的合理范围。","https:\u002F\u002Fgithub.com\u002Fdenisyarats\u002Fpytorch_sac\u002Fissues\u002F7",{"id":128,"question_zh":129,"answer_zh":130,"source_url":126},19944,"为什么代码中使用 0.5 * (x.log1p() - (-x).log1p()) 来近似 atanh，而不是直接使用 torch.atanh()？","这是因为在该代码实现时，PyTorch 版本中尚未提供 torch.atanh() 函数，因此使用了数学等价公式进行近似。如果您使用的 PyTorch 版本较新，可以直接使用内置函数，但原代码为了兼容性保留了该写法。",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},19945,"项目是否提供预训练的模型权重文件？","不提供。维护者明确表示没有保存或分享预训练的模型权重文件，用户需要自行运行代码进行训练。","https:\u002F\u002Fgithub.com\u002Fdenisyarats\u002Fpytorch_sac\u002Fissues\u002F5",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},19946,"在哪里可以找到基于状态（state-based）训练的基准测试数据（CSV 文件）？","基准测试数据已公开在项目的 data 目录中，您可以直接访问以下链接查看和下载：https:\u002F\u002Fgithub.com\u002Fdenisyarats\u002Fpytorch_sac\u002Ftree\u002Fmaster\u002Fdata","https:\u002F\u002Fgithub.com\u002Fdenisyarats\u002Fpytorch_sac\u002Fissues\u002F3",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},19947,"实验中用于绘制结果图表的代码是什么？","维护者使用了 Python 的 seaborn 和 pandas 库来绘制实验结果图表。您可以利用这两个库加载生成的日志数据并进行可视化。","https:\u002F\u002Fgithub.com\u002Fdenisyarats\u002Fpytorch_sac\u002Fissues\u002F2",[]]