[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-vietnh1009--Tetris-deep-Q-learning-pytorch":3,"tool-vietnh1009--Tetris-deep-Q-learning-pytorch":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",160411,2,"2026-04-18T23:33:24",[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。",109154,"2026-04-18T11:18:24",[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":32,"last_commit_at":59,"category_tags":60,"status":17},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",[52,14],{"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":78,"owner_website":78,"owner_url":79,"languages":80,"stars":85,"forks":86,"last_commit_at":87,"license":88,"difficulty_score":32,"env_os":89,"env_gpu":90,"env_ram":90,"env_deps":91,"category_tags":100,"github_topics":101,"view_count":32,"oss_zip_url":78,"oss_zip_packed_at":78,"status":17,"created_at":105,"updated_at":106,"faqs":107,"releases":117},9344,"vietnh1009\u002FTetris-deep-Q-learning-pytorch","Tetris-deep-Q-learning-pytorch","Deep Q-learning for playing tetris game","Tetris-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俄罗斯方块游戏。该项目核心解决了强化学习在离散动作空间中的决策优化问题，展示了机器如何通过与环境交互、试错并最大化累积奖励来掌握复杂的游戏策略，无需任何人工预设规则。\n\n作为强化学习应用的入门级范例，它非常适合 AI 开发者、高校研究人员以及对深度学习感兴趣的学生使用。对于希望从零开始理解智能体训练流程的用户，该项目提供了完整的代码实现：既支持运行 `train.py` 从头训练模型，也允许通过 `test.py` 直接测试预训练好的模型效果。其技术亮点在于将卷积神经网络与 Q-learning 算法巧妙结合，利用 PyTCH 构建高效的训练管道，并依赖 OpenCV 和 PIL 处理游戏画面输入。项目结构清晰，依赖库常见（如 NumPy、Matplotlib），是探索人工智能如何“学会”玩游戏及其背后决策逻辑的理想实践工具。","# [PYTORCH] Deep Q-learning for playing Tetris\n\n## Introduction\n\nHere is my python source code for training an agent to play Tetris. 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_Tetris-deep-Q-learning-pytorch_readme_0103058968b9.gif\" width=600>\u003Cbr\u002F>\n  \u003Ci>Tetris demo\u003C\u002Fi>\n\u003C\u002Fp>\n\nThe demo could also be found at [youtube demo](https:\u002F\u002Fyoutu.be\u002Fg96x6uATAR8)\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\u002Ftetris**\n \n## Requirements\n\n* **python 3.6**\n* **PIL**\n* **cv2**\n* **pytorch** \n* **numpy**\n* **matplotlib**\n","# [PYTORCH] 基于深度Q学习的俄罗斯方块游戏智能体\n\n## 简介\n\n以下是用于训练一个能够玩俄罗斯方块的游戏智能体的Python源代码。这可以被视为强化学习应用的一个非常基础的例子。\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fvietnh1009_Tetris-deep-Q-learning-pytorch_readme_0103058968b9.gif\" width=600>\u003Cbr\u002F>\n  \u003Ci>俄罗斯方块演示\u003C\u002Fi>\n\u003C\u002Fp>\n\n该演示也可以在[YouTube演示](https:\u002F\u002Fyoutu.be\u002Fg96x6uATAR8)中找到。\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\u002Ftetris** 中找到我训练好的模型。\n\n## 需求\n\n* **Python 3.6**\n* **PIL**\n* **cv2**\n* **PyTorch**\n* **NumPy**\n* **Matplotlib**","# Tetris-deep-Q-learning-pytorch 快速上手指南\n\n本指南帮助中国开发者快速部署并运行基于 PyTorch 的俄罗斯方块深度 Q 学习（Deep Q-Learning）项目。\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    *   `numpy` (数值计算)\n    *   `PIL` (图像处理，通常包含在 `pillow` 包中)\n    *   `cv2` (OpenCV，计算机视觉库)\n    *   `matplotlib` (绘图库)\n\n## 安装步骤\n\n建议使用虚拟环境（如 `venv` 或 `conda`）以避免依赖冲突。\n\n1.  **克隆项目代码**\n    ```bash\n    git clone \u003C项目仓库地址>\n    cd Tetris-deep-Q-learning-pytorch\n    ```\n\n2.  **安装 Python 依赖**\n    \n    为了获得更快的下载速度，推荐使用国内镜像源（如清华源）安装依赖：\n\n    ```bash\n    pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n\n    *注：如果项目中没有 `requirements.txt` 文件，请手动执行以下命令安装所需库：*\n    ```bash\n    pip install torch numpy pillow opencv-python matplotlib -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n\n## 基本使用\n\n项目提供了训练和测试两个核心脚本，使用方法如下：\n\n### 1. 从头训练模型\n运行以下命令开始训练智能体玩俄罗斯方块：\n```bash\npython train.py\n```\n\n### 2. 测试已训练的模型\n训练完成后（或使用提供的预训练模型），运行以下命令查看效果：\n```bash\npython test.py\n```\n\n> **提示**：预训练好的模型文件位于 `trained_models\u002Ftetris` 目录下，可直接用于测试。","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，需要让学生直观理解深度 Q 网络（DQN）在复杂决策环境中的训练过程。\n\n### 没有 Tetris-deep-Q-learning-pytorch 时\n- 学生需从零搭建俄罗斯方块游戏环境与神经网络架构，耗费数周时间处理状态编码、奖励函数设计等基础工程问题。\n- 缺乏现成的 PyTorch 训练脚本，调试强化学习算法中的收敛困难、探索率调整等问题时毫无参考基准，试错成本极高。\n- 无法快速验证理论效果，往往因环境交互逻辑错误导致模型完全无法学习，挫伤初学者的积极性。\n- 缺少可视化的演示 Demo 和预训练模型，难以向非技术背景的教学评估组展示“智能体如何学会玩游戏”的核心概念。\n\n### 使用 Tetris-deep-Q-learning-pytorch 后\n- 直接运行 `train.py` 即可在标准环境中启动训练，学生能将精力集中在调整超参数和分析学习曲线上，而非重复造轮子。\n- 依托成熟的代码结构，学员可清晰观察状态输入、动作输出及奖励反馈的完整闭环，快速定位算法不收敛的具体原因。\n- 通过 `test.py` 立即加载预训练模型进行演示，课堂上能实时展示智能体从随机乱放到熟练消除行的进化过程，教学效果显著提升。\n- 利用内置的 GIF 生成与视频演示功能，轻松产出高质量的项目报告素材，直观呈现强化学习在实际博弈场景中的应用价值。\n\nTetris-deep-Q-learning-pytorch 将原本繁琐的环境构建与算法验证工作简化为几行命令，让教育者能专注于核心教学目标的达成。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fvietnh1009_Tetris-deep-Q-learning-pytorch_1f453738.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",[81],{"name":82,"color":83,"percentage":84},"Python","#3572A5",100,531,120,"2026-04-10T00:34:11","MIT","","未说明",{"notes":92,"python":93,"dependencies":94},"README 中未明确指定支持的操作系统、GPU 及内存需求。主要依赖库未提供具体版本号，仅列出了库名称（PIL, cv2, pytorch, numpy, matplotlib）。可通过运行 train.py 从头训练模型，或运行 test.py 测试已训练模型。","3.6",[95,96,97,98,99],"PIL","cv2","pytorch","numpy","matplotlib",[15,14],[102,103,104,97,96],"reinforcement-learning","deep-q-network","deep-q-learning","2026-03-27T02:49:30.150509","2026-04-19T09:15:59.808959",[108,113],{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},41916,"运行 test.py 时出现 'DeepQNetwork' object has no attribute 'fc1' 错误怎么办？","这个问题通常由两个原因引起：\n1. PyTorch 版本过旧，请尝试升级 PyTorch。\n2. 代码未更新。在项目初期，这些层的名称是 conv1, conv2, conv3 而不是 fc1, fc2, fc3。作者在训练完成后才将名称改为 fc。请执行 `git pull` 拉取最新代码后重新运行即可解决。","https:\u002F\u002Fgithub.com\u002Fvietnh1009\u002FTetris-deep-Q-learning-pytorch\u002Fissues\u002F1",{"id":114,"question_zh":115,"answer_zh":116,"source_url":112},41917,"遇到 'ReLU' object has no attribute 'threshold' 错误如何解决？","该错误通常与 PyTorch 版本不兼容有关。请参考相关问题的解决方案，尝试升级您的 PyTorch 到最新版本以匹配代码要求。",[]]