[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-vietnh1009--Flappy-bird-deep-Q-learning-pytorch":3,"similar-vietnh1009--Flappy-bird-deep-Q-learning-pytorch":63},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":8,"readme_en":9,"readme_zh":10,"quickstart_zh":11,"use_case_zh":12,"hero_image_url":13,"owner_login":14,"owner_name":15,"owner_avatar_url":16,"owner_bio":17,"owner_company":18,"owner_location":19,"owner_email":20,"owner_twitter":20,"owner_website":20,"owner_url":21,"languages":22,"stars":27,"forks":28,"last_commit_at":29,"license":30,"difficulty_score":31,"env_os":32,"env_gpu":33,"env_ram":33,"env_deps":34,"category_tags":42,"github_topics":44,"view_count":31,"oss_zip_url":20,"oss_zip_packed_at":20,"status":48,"created_at":49,"updated_at":50,"faqs":51,"releases":62},6030,"vietnh1009\u002FFlappy-bird-deep-Q-learning-pytorch","Flappy-bird-deep-Q-learning-pytorch","Deep Q-learning for playing flappy bird game","Flappy-bird-deep-Q-learning-pytorch 是一个基于 PyTorch 框架的开源项目，旨在通过深度 Q 学习（Deep Q-Learning）算法训练智能体自动游玩经典的“飞扬的小鸟”游戏。该项目核心解决了强化学习入门实践中环境搭建与模型训练的痛点，将抽象的 AI 理论转化为可视化的游戏对抗过程，让用户能直观观察智能体如何从随机操作进化为掌握飞行技巧的高手。\n\n它非常适合人工智能开发者、高校学生及强化学习研究人员使用。对于初学者而言，这是一个极佳的实践案例，帮助理解智能体如何通过与环境交互、接收奖励信号来优化决策策略；对于研究者，则提供了一个轻量级的基准测试环境，便于验证新的算法变体或调整超参数。\n\n该项目的技术亮点在于其简洁高效的实现架构。它利用 PyTorch 构建神经网络，结合 OpenCV 进行游戏画面预处理，并封装了完整的训练与测试流程。用户只需运行简单的命令即可从零开始训练模型，或直接加载预训练权重体验成果。代码结构清晰，依赖库常见（如 pygame、numpy），极大地降低了复现经典强化学习算法的门槛，是探索 AI 自主决策能力的理想起点。","# [PYTORCH] Deep Q-learning for playing Flappy Bird\n\n## Introduction\n\nHere is my python source code for training an agent to play flappy bird. It could be seen as a very basic example of Reinforcement Learning's application.\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fvietnh1009_Flappy-bird-deep-Q-learning-pytorch_readme_74275b8dd937.gif\" width=600>\u003Cbr\u002F>\n  \u003Ci>Result\u003C\u002Fi>\n\u003C\u002Fp>\n\n## How to use my code\n\nWith my code, you can:\n* **Train your model from scratch** by running **python train.py**\n* **Test your trained model** by running **python test.py**\n\n## Trained models\n\nYou could find my trained model at **trained_models\u002Fflappy_bird**\n \n## Requirements\n\n* **python 3.6**\n* **pygame**\n* **cv2**\n* **pytorch** \n* **numpy**\n","# [PyTorch] 深度Q学习用于玩《Flappy Bird》\n\n## 简介\n\n这是我用于训练智能体玩《Flappy Bird》的Python源代码。它可以被视为强化学习应用的一个非常基础的示例。\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fvietnh1009_Flappy-bird-deep-Q-learning-pytorch_readme_74275b8dd937.gif\" width=600>\u003Cbr\u002F>\n  \u003Ci>结果\u003C\u002Fi>\n\u003C\u002Fp>\n\n## 如何使用我的代码\n\n通过我的代码，你可以：\n* **从头开始训练模型**，运行 **python train.py**\n* **测试你训练好的模型**，运行 **python test.py**\n\n## 训练好的模型\n\n你可以在 **trained_models\u002Fflappy_bird** 中找到我训练好的模型。\n\n## 需求\n\n* **Python 3.6**\n* **Pygame**\n* **cv2**\n* **PyTorch**\n* **NumPy**","# Flappy-bird-deep-Q-learning-pytorch 快速上手指南\n\n本指南帮助开发者快速搭建基于 PyTorch 的 Deep Q-Learning 环境，训练智能体玩 Flappy Bird 游戏。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **操作系统**：Linux \u002F macOS \u002F Windows\n*   **Python 版本**：Python 3.6+\n*   **核心依赖库**：\n    *   `pytorch` (深度学习框架)\n    *   `pygame` (游戏引擎)\n    *   `opencv-python` (图像处理，对应原文 cv2)\n    *   `numpy` (数值计算)\n\n## 安装步骤\n\n1.  **克隆项目代码**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fyenchenlin\u002FFlappy-bird-deep-Q-learning-pytorch.git\n    cd Flappy-bird-deep-Q-learning-pytorch\n    ```\n\n2.  **安装 Python 依赖**\n    建议先升级 pip 并使用国内镜像源加速安装：\n    ```bash\n    pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple --upgrade pip\n    pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple torch torchvision\n    pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple pygame opencv-python numpy\n    ```\n    > **注意**：若需指定 GPU 版本的 PyTorch，请访问 [PyTorch 官网](https:\u002F\u002Fpytorch.org\u002F) 获取对应的安装命令。\n\n## 基本使用\n\n项目提供了两个核心脚本，分别用于模型训练和测试。\n\n### 1. 从头开始训练模型\n运行以下命令启动训练过程，智能体将通过强化学习不断试错并提升得分：\n```bash\npython train.py\n```\n\n### 2. 测试已训练的模型\n如果您想直接查看预训练模型的效果，或测试自己训练好的模型，请运行：\n```bash\npython test.py\n```\n> **提示**：默认情况下，测试脚本会加载 `trained_models\u002Fflappy_bird` 目录下的预训练权重。","某高校人工智能实验室的研究员正在为本科生设计强化学习入门课程，急需一个直观且可复现的教学案例来演示深度 Q 网络（DQN）的运作机制。\n\n### 没有 Flappy-bird-deep-Q-learning-pytorch 时\n- 学生需从零搭建游戏环境与神经网络架构，大量时间耗费在调试 Pygame 渲染和状态预处理上，而非理解核心算法。\n- 缺乏预训练模型作为基准，初学者难以判断自己的代码逻辑是否正确，往往陷入“训练不收敛却不知原因”的困境。\n- 传统规则脚本（如硬编码跳跃阈值）无法展示智能体如何通过试错自主学习，导致教学效果停留在理论层面，缺乏视觉冲击力。\n- 不同学生开发的环境接口不一致，导致作业代码无法统一评估，增加了助教批改和横向对比的难度。\n\n### 使用 Flappy-bird-deep-Q-learning-pytorch 后\n- 研究员直接运行 `train.py` 即可启动标准化训练流程，学生能立即观察到智能体从随机乱飞到熟练避障的完整进化过程。\n- 利用官方提供的 `trained_models` 预训练权重，学生可通过 `test.py` 瞬间验证理想效果，快速建立对 DQN 性能的直观认知。\n- 基于 PyTorch 的清晰源码结构让注意力回归算法本质，学生可轻松修改奖励函数或网络层数，深入探究超参数对策略的影响。\n- 统一的游戏接口与训练框架确保了所有实验在同一基准下进行，极大提升了课程作业的可比性与评估效率。\n\nFlappy-bird-deep-Q-learning-pytorch 将复杂的强化学习概念转化为可视化的互动实验，显著降低了教学门槛并加速了算法验证周期。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fvietnh1009_Flappy-bird-deep-Q-learning-pytorch_c95db366.png","vietnh1009","Viet Nguyen","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fvietnh1009_265c45cc.jpg","Senior AI engineer at Sporttotal","SPORTTOTAL.TV","Berlin, Germany",null,"https:\u002F\u002Fgithub.com\u002Fvietnh1009",[23],{"name":24,"color":25,"percentage":26},"Python","#3572A5",100,553,134,"2026-04-08T15:32:08","MIT",2,"","未说明",{"notes":35,"python":36,"dependencies":37},"README 中未明确指定操作系统、GPU 及内存的具体需求。该项目基于 PyTorch 和 Pygame，通常可跨平台运行（Linux\u002FmacOS\u002FWindows），但具体兼容性需视本地环境而定。","3.6",[38,39,40,41],"pygame","cv2","pytorch","numpy",[43],"开发框架",[45,46,47,40,38],"reinforcement-learning","deep-q-network","deep-q-learning","ready","2026-03-27T02:49:30.150509","2026-04-10T07:48:19.243090",[52,57],{"id":53,"question_zh":54,"answer_zh":55,"source_url":56},27312,"运行代码时出现 'IndexError: invalid index of a 0-dim tensor' 错误该如何解决？","这是因为尝试对 0 维张量进行索引操作。请将代码中的 `action = torch.argmax(prediction)[0]` 修改为 `action = torch.argmax(prediction).item()`，使用 `.item()` 方法将 0 维张量转换为 Python 数字。","https:\u002F\u002Fgithub.com\u002Fvietnh1009\u002FFlappy-bird-deep-Q-learning-pytorch\u002Fissues\u002F4",{"id":58,"question_zh":59,"answer_zh":60,"source_url":61},27313,"可以使用这套代码训练其他游戏（如 Chrome 恐龙跑）吗？","不可以。不同的游戏具有完全不同的逻辑和环境交互方式，因此不能直接复用针对 Flappy Bird 编写的代码来训练其他游戏。","https:\u002F\u002Fgithub.com\u002Fvietnh1009\u002FFlappy-bird-deep-Q-learning-pytorch\u002Fissues\u002F1",[],[64,76,84,93,101,110],{"id":65,"name":66,"github_repo":67,"description_zh":68,"stars":69,"difficulty_score":70,"last_commit_at":71,"category_tags":72,"status":48},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",[73,43,74,75],"Agent","图像","数据工具",{"id":77,"name":78,"github_repo":79,"description_zh":80,"stars":81,"difficulty_score":70,"last_commit_at":82,"category_tags":83,"status":48},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",[43,74,73],{"id":85,"name":86,"github_repo":87,"description_zh":88,"stars":89,"difficulty_score":31,"last_commit_at":90,"category_tags":91,"status":48},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",148568,"2026-04-09T23:34:24",[43,73,92],"语言模型",{"id":94,"name":95,"github_repo":96,"description_zh":97,"stars":98,"difficulty_score":31,"last_commit_at":99,"category_tags":100,"status":48},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。",108111,"2026-04-08T11:23:26",[43,74,73],{"id":102,"name":103,"github_repo":104,"description_zh":105,"stars":106,"difficulty_score":31,"last_commit_at":107,"category_tags":108,"status":48},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[109,43],"插件",{"id":111,"name":112,"github_repo":113,"description_zh":114,"stars":115,"difficulty_score":70,"last_commit_at":116,"category_tags":117,"status":48},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",[92,74,73,43]]