[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-pskrunner14--trading-bot":3,"tool-pskrunner14--trading-bot":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",155373,2,"2026-04-14T11:34:08",[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":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":79,"owner_website":79,"owner_url":80,"languages":81,"stars":90,"forks":91,"last_commit_at":92,"license":93,"difficulty_score":32,"env_os":94,"env_gpu":95,"env_ram":94,"env_deps":96,"category_tags":101,"github_topics":102,"view_count":32,"oss_zip_url":79,"oss_zip_packed_at":79,"status":17,"created_at":111,"updated_at":112,"faqs":113,"releases":124},7523,"pskrunner14\u002Ftrading-bot","trading-bot","Stock Trading Bot using Deep Q-Learning","trading-bot 是一个基于深度强化学习（具体为深度 Q 学习，Deep Q-Learning）构建的股票交易机器人开源项目。它旨在解决传统监督学习在金融交易中面临的标签数据稀缺及环境动态变化等难题，通过让智能体在与市场环境的交互中“试错”，自主学习最优的买卖策略。\n\n该项目特别适合对人工智能算法感兴趣的研究人员、开发者以及希望探索量化交易技术的学习者使用。其核心亮点在于高度还原了经典论文中的算法逻辑，并集成了固定目标分布和双重 DQN（Double DQN）等改进技术，既保证了学习效果，又兼顾了代码的简洁性。用户只需准备历史股票数据（如从雅虎财经下载），即可在 CPU 环境下训练模型，让代理根据股价窗口特征自主决定买入、卖出或持有。虽然目前版本简化了单次仅交易一股的限制以聚焦策略学习，但它提供了一个极佳的实践框架，帮助用户直观理解强化学习如何应用于复杂的金融市场决策过程。","# Overview\n\nThis project implements a Stock Trading Bot, trained using Deep Reinforcement Learning, specifically Deep Q-learning. Implementation is kept simple and as close as possible to the algorithm discussed in the paper, for learning purposes.\n\n## Introduction\n\nGenerally, Reinforcement Learning is a family of machine learning techniques that allow us to create intelligent agents that learn from the environment by interacting with it, as they learn an optimal policy by trial and error. This is especially useful in many real world tasks where supervised learning might not be the best approach due to various reasons like nature of task itself, lack of appropriate labelled data, etc.\n\nThe important idea here is that this technique can be applied to any real world task that can be described loosely as a Markovian process.\n\n## Approach\n\nThis work uses a Model-free Reinforcement Learning technique called Deep Q-Learning (neural variant of Q-Learning).\nAt any given time (episode), an agent abserves it's current state (n-day window stock price representation), selects and performs an action (buy\u002Fsell\u002Fhold), observes a subsequent state, receives some reward signal (difference in portfolio position) and lastly adjusts it's parameters based on the gradient of the loss computed.\n\nThere have been several improvements to the Q-learning algorithm over the years, and a few have been implemented in this project:\n\n- [x] Vanilla DQN\n- [x] DQN with fixed target distribution\n- [x] Double DQN\n- [ ] Prioritized Experience Replay\n- [ ] Dueling Network Architectures\n\n## Results\n\nTrained on `GOOG` 2010-17 stock data, tested on 2019 with a profit of $1141.45 (validated on 2018 with profit of $863.41):\n\n![Google Stock Trading episode](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpskrunner14_trading-bot_readme_f293b8748f55.png)\n\nYou can obtain similar visualizations of your model evaluations using the [notebook](.\u002Fvisualize.ipynb) provided.\n\n## Some Caveats\n\n- At any given state, the agent can only decide to buy\u002Fsell one stock at a time. This is done to keep things as simple as possible as the problem of deciding how much stock to buy\u002Fsell is one of portfolio redistribution.\n- The n-day window feature representation is a vector of subsequent differences in Adjusted Closing price of the stock we're trading followed by a sigmoid operation, done in order to normalize the values to the range [0, 1].\n- Training is prefferably done on CPU due to it's sequential manner, after each episode of trading we replay the experience (1 epoch over a small minibatch) and update model parameters.\n\n## Data\n\nYou can download Historical Financial data from [Yahoo! Finance](https:\u002F\u002Fca.finance.yahoo.com\u002F) for training, or even use some sample datasets already present under `data\u002F`.\n\n## Getting Started\n\nIn order to use this project, you'll need to install the required python packages:\n\n```bash\npip3 install -r requirements.txt\n```\n\nNow you can open up a terminal and start training the agent:\n\n```bash\npython3 train.py data\u002FGOOG.csv data\u002FGOOG_2018.csv --strategy t-dqn\n```\n\nOnce you're done training, run the evaluation script and let the agent make trading decisions:\n\n```bash\npython3 eval.py data\u002FGOOG_2019.csv --model-name model_GOOG_50 --debug\n```\n\nNow you are all set up!\n\n## Acknowledgements\n\n- [@keon](https:\u002F\u002Fgithub.com\u002Fkeon) for [deep-q-learning](https:\u002F\u002Fgithub.com\u002Fkeon\u002Fdeep-q-learning)\n- [@edwardhdlu](https:\u002F\u002Fgithub.com\u002Fedwardhdlu) for [q-trader](https:\u002F\u002Fgithub.com\u002Fedwardhdlu\u002Fq-trader)\n\n## References\n\n- [Playing Atari with Deep Reinforcement Learning](https:\u002F\u002Farxiv.org\u002Fabs\u002F1312.5602)\n- [Human Level Control Through Deep Reinforcement Learning](https:\u002F\u002Fdeepmind.com\u002Fresearch\u002Fpublications\u002Fhuman-level-control-through-deep-reinforcement-learning\u002F)\n- [Deep Reinforcement Learning with Double Q-Learning](https:\u002F\u002Farxiv.org\u002Fabs\u002F1509.06461)\n- [Prioritized Experience Replay](https:\u002F\u002Farxiv.org\u002Fabs\u002F1511.05952)\n- [Dueling Network Architectures for Deep Reinforcement Learning](https:\u002F\u002Farxiv.org\u002Fabs\u002F1511.06581)","# 概述\n\n本项目实现了一个基于深度强化学习（特别是深度Q学习）训练的股票交易机器人。为了便于学习，实现过程保持简单，并尽可能贴近论文中讨论的算法。\n\n## 简介\n\n一般来说，强化学习是一类机器学习技术，它允许我们创建能够通过与环境交互来学习的智能体。这些智能体会通过试错的方式学习最优策略。这种方法在许多现实世界任务中尤为有用，因为在这些任务中，由于任务本身的性质、缺乏合适的标注数据等原因，监督学习可能并不是最佳选择。\n\n这里的关键思想是，这种技术可以应用于任何可以被粗略描述为马尔可夫过程的现实世界任务。\n\n## 方法\n\n本工作使用了一种无模型强化学习技术，称为深度Q学习（Q学习的神经网络变体）。在每个时间步（即一个“episode”），智能体观察当前状态（过去n天的股票价格表示），选择并执行一个动作（买入\u002F卖出\u002F持有），然后观察下一个状态，接收奖励信号（投资组合价值的变化），最后根据计算出的损失梯度调整其参数。\n\n多年来，Q学习算法已经进行了多次改进，本项目实现了其中的几种：\n\n- [x] 原始DQN\n- [x] 使用固定目标分布的DQN\n- [x] 双重DQN\n- [ ] 优先级经验回放\n- [ ] 对抗网络架构\n\n## 结果\n\n模型使用2010年至2017年的GOOG股票数据进行训练，并在2019年进行了测试，获得了1141.45美元的利润（在2018年验证时获得863.41美元的利润）：\n\n![谷歌股票交易episode](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpskrunner14_trading-bot_readme_f293b8748f55.png)\n\n您可以使用提供的[笔记本](.\u002Fvisualize.ipynb)来获取类似您模型评估的可视化结果。\n\n## 一些注意事项\n\n- 在任何给定状态下，智能体每次只能决定买入或卖出一只股票。这样做是为了尽可能简化问题，因为决定买入或卖出多少股票实际上属于投资组合再平衡的问题。\n- n天窗口特征表示是一个向量，包含所交易股票调整后收盘价的连续差值，随后进行sigmoid变换，以将数值归一化到[0, 1]范围内。\n- 由于训练过程是顺序进行的，建议在CPU上进行训练。每完成一个交易episode后，我们会回放经验（对一个小批量进行一轮迭代）并更新模型参数。\n\n## 数据\n\n您可以从[Yahoo! Finance](https:\u002F\u002Fca.finance.yahoo.com\u002F)下载历史金融数据用于训练，也可以直接使用`data\u002F`目录下已有的示例数据集。\n\n## 快速入门\n\n要使用本项目，您需要安装所需的Python包：\n\n```bash\npip3 install -r requirements.txt\n```\n\n现在您可以打开终端并开始训练智能体：\n\n```bash\npython3 train.py data\u002FGOOG.csv data\u002FGOOG_2018.csv --strategy t-dqn\n```\n\n训练完成后，运行评估脚本，让智能体做出交易决策：\n\n```bash\npython3 eval.py data\u002FGOOG_2019.csv --model-name model_GOOG_50 --debug\n```\n\n现在您就已经准备就绪了！\n\n## 致谢\n\n- [@keon](https:\u002F\u002Fgithub.com\u002Fkeon) 的[deep-q-learning](https:\u002F\u002Fgithub.com\u002Fkeon\u002Fdeep-q-learning)\n- [@edwardhdlu](https:\u002F\u002Fgithub.com\u002Fedwardhdlu) 的[q-trader](https:\u002F\u002Fgithub.com\u002Fedwardhdlu\u002Fq-trader)\n\n## 参考文献\n\n- [使用深度强化学习玩Atari游戏](https:\u002F\u002Farxiv.org\u002Fabs\u002F1312.5602)\n- [通过深度强化学习实现人类水平的控制](https:\u002F\u002Fdeepmind.com\u002Fresearch\u002Fpublications\u002Fhuman-level-control-through-deep-reinforcement-learning\u002F)\n- [带有双重Q学习的深度强化学习](https:\u002F\u002Farxiv.org\u002Fabs\u002F1509.06461)\n- [优先级经验回放](https:\u002F\u002Farxiv.org\u002Fabs\u002F1511.05952)\n- [用于深度强化学习的对抗网络架构](https:\u002F\u002Farxiv.org\u002Fabs\u002F1511.06581)","# trading-bot 快速上手指南\n\n本项目是一个基于深度强化学习（Deep Q-Learning）的股票交易机器人，旨在通过简单的实现帮助开发者理解算法原理。\n\n## 环境准备\n\n- **操作系统**：Linux \u002F macOS \u002F Windows\n- **Python 版本**：建议 Python 3.6+\n- **前置依赖**：\n  - `pip` 包管理工具\n  - 历史股票数据（可从 [Yahoo! Finance](https:\u002F\u002Fca.finance.yahoo.com\u002F) 下载，或使用项目 `data\u002F` 目录下的示例数据）\n\n> **提示**：国内用户安装依赖时，推荐使用清华或阿里镜像源以加速下载：\n> ```bash\n> pip3 install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n## 安装步骤\n\n1. 克隆或下载本项目到本地。\n2. 进入项目目录，安装所需的 Python 依赖包：\n\n```bash\npip3 install -r requirements.txt\n```\n\n## 基本使用\n\n### 1. 训练模型\n\n使用历史数据训练智能体。以下命令使用 `GOOG` 的历史数据进行训练，并采用 `t-dqn` 策略：\n\n```bash\npython3 train.py data\u002FGOOG.csv data\u002FGOOG_2018.csv --strategy t-dqn\n```\n\n*注：由于训练过程具有序列性，建议在 CPU 上运行。*\n\n### 2. 评估与测试\n\n训练完成后，使用测试数据评估模型表现并生成交易决策：\n\n```bash\npython3 eval.py data\u002FGOOG_2019.csv --model-name model_GOOG_50 --debug\n```\n\n执行完毕后，终端将输出交易结果，您也可参考项目提供的 `visualize.ipynb` 笔记本生成可视化图表。","一位量化交易开发者希望利用历史数据训练智能体，以在波动剧烈的科技股市场中自动执行买卖决策。\n\n### 没有 trading-bot 时\n- 依赖传统技术指标或人工经验判断买卖点，难以捕捉非线性市场规律，容易受情绪干扰导致追涨杀跌。\n- 缺乏系统的试错机制，无法像强化学习那样通过数百万次模拟交易自动优化策略，策略迭代周期长达数周。\n- 面对海量历史行情数据，手动回测效率极低，且难以验证策略在不同年份（如 2018 验证、2019 实战）的泛化能力。\n- 无法实现基于深度 Q 学习（Deep Q-Learning）的复杂状态感知，仅能处理简单的价格阈值，忽略了时间窗口内的价格变化趋势。\n\n### 使用 trading-bot 后\n- 基于深度强化学习构建智能体，通过与市场环境不断交互试错，自动学习到超越人工经验的最优交易策略。\n- 内置 Double DQN 等先进算法改进，支持快速进行大规模模拟训练，将策略研发与验证周期从数周缩短至数小时。\n- 提供标准化的训练与评估流程，可轻松加载 Yahoo Finance 数据，快速完成跨年度（如 2010-2017 训练，2019 测试）的性能验证。\n- 能够处理归一化的 n 天价格变化向量作为状态输入，精准捕捉短期波动特征，在谷歌股票实测中实现了从亏损到盈利 1141.45 美元的逆转。\n\ntrading-bot 通过将复杂的深度强化学习算法封装为易用的训练流程，让开发者能以低成本构建出具备自我进化能力的自动化股票交易智能体。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpskrunner14_trading-bot_f293b874.png","pskrunner14","Prabhsimran Singh","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fpskrunner14_6e99082e.jpg","Curious. Humble. Relentless. ","@NVIDIA","Bangalore","pskrunner14@gmail.com",null,"https:\u002F\u002Fgithub.com\u002Fpskrunner14",[82,86],{"name":83,"color":84,"percentage":85},"Jupyter Notebook","#DA5B0B",75,{"name":87,"color":88,"percentage":89},"Python","#3572A5",25,1147,358,"2026-04-10T14:29:09","MIT","未说明","非必需，建议在 CPU 上运行",{"notes":97,"python":98,"dependencies":99},"该工具使用深度强化学习（Deep Q-Learning）进行股票交易训练。由于训练过程具有顺序性（每个交易回合后回放经验并更新参数），作者明确建议优先在 CPU 上进行训练。用户需自行从 Yahoo! Finance 下载历史金融数据或使用项目自带的样本数据。支持 Vanilla DQN、固定目标分布 DQN 和 Double DQN 策略。","3.x (通过 pip3 和 python3 命令推断)",[100],"requirements.txt 中定义的包 (具体列表未在 README 中显示)",[13],[103,104,105,106,107,108,109,64,110],"stock-price-prediction","stock-trading","ai-agents","reinforcement-learning","q-learning","deep-q-learning","stock-trading-bot","trading-algorithms","2026-03-27T02:49:30.150509","2026-04-15T06:14:16.982454",[114,119],{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},33733,"为什么模型的最后一层没有使用激活函数（如 Softmax）？","虽然在传统的分类问题中通常需要使用 Softmax 激活函数，但在 Q-learning（强化学习）的语境下，神经网络充当的是 Q 函数，用于近似 Q 值。Q 值本质上是在给定当前状态下采取某个动作的预期奖励（即动作的质量），因此这实际上是一个回归问题，而非分类问题。选择最优动作是通过对 Q 值执行 argmax 操作来完成的，而不是通过概率分布采样。您可以参考 DQN 论文以获得更直观的理解。","https:\u002F\u002Fgithub.com\u002Fpskrunner14\u002Ftrading-bot\u002Fissues\u002F2",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},33734,"运行代码时出现 'NameError: name 'clone_model' is not defined' 错误怎么办？","这是因为 `agent.py` 文件顶部缺少必要的导入语句。请在文件开头添加以下代码以解决该问题：\n`from keras.models import clone_model`","https:\u002F\u002Fgithub.com\u002Fpskrunner14\u002Ftrading-bot\u002Fissues\u002F3",[]]