[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-yrlu--irl-imitation":3,"tool-yrlu--irl-imitation":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":80,"owner_email":81,"owner_twitter":82,"owner_website":83,"owner_url":84,"languages":85,"stars":90,"forks":91,"last_commit_at":92,"license":93,"difficulty_score":10,"env_os":94,"env_gpu":94,"env_ram":94,"env_deps":95,"category_tags":102,"github_topics":103,"view_count":10,"oss_zip_url":93,"oss_zip_packed_at":93,"status":16,"created_at":115,"updated_at":116,"faqs":117,"releases":127},776,"yrlu\u002Firl-imitation","irl-imitation","Implementation of Inverse Reinforcement Learning (IRL) algorithms in Python\u002FTensorflow. Deep MaxEnt, MaxEnt, LPIRL","irl-imitation 是一个基于 Python 和 Tensorflow 实现的逆强化学习（IRL）开源项目。它的核心功能是从专家的演示数据中自动推断出奖励函数，从而解决强化学习中人工设计奖励困难的问题。通过这种方式，智能体能够更有效地模仿专家的行为模式。\n\n这个项目非常适合人工智能领域的研究人员、算法开发者以及对强化学习感兴趣的学生使用。它提供了丰富的算法实现，涵盖了线性逆强化学习、最大熵逆强化学习以及深度最大熵逆强化学习等多种经典模型。同时，内置的二维和一维网格世界环境配合值迭代求解器，为用户提供了便捷的实验平台，无需从零搭建环境即可验证算法性能。\n\n用户可以通过简单的命令行指令运行演示脚本，直观地观察奖励地图与状态价值图的变化。无论是用于学术研究复现，还是作为深度学习项目的参考基线，irl-imitation 都提供了一个结构清晰、易于上手的代码框架。","# irl-imitation\n\n[![DOI](https:\u002F\u002Fzenodo.org\u002Fbadge\u002FDOI\u002F10.5281\u002Fzenodo.6796157.svg)](https:\u002F\u002Fdoi.org\u002F10.5281\u002Fzenodo.6796157)\n\nImplementation of selected Inverse Reinforcement Learning (IRL) algorithms in Python\u002FTensorflow.\n\n```bash\n$ python demo.py\n```\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyrlu_irl-imitation_readme_7f005d4bb53d.jpg\" width=\"830\">\n\n##### Implemented Algorithms\n\n- Linear inverse reinforcement learning (Ng & Russell, 2000)\n- Maximum entropy inverse reinforcement learning (Ziebart et al., 2008)\n- Maximum entropy deep inverse reinforcement learning (Wulfmeier et al., 2015)\n\n##### Implemented MDPs & Solver\n\n- 2D gridworld\n- 1D gridworld\n- Value iteration\n\nIf you use this software in your publications, please cite it using the following BibTeX entry:\n\n```bibtex\n@misc{lu2017irl-imitation,\n  author = {Lu, Yiren},\n  doi = {10.5281\u002Fzenodo.6796157},\n  month = {7},\n  title = {{Implementations of inverse reinforcement learning algorithms in Python\u002FTensorflow}},\n  url = {https:\u002F\u002Fgithub.com\u002Fyrlu\u002Firl-imitation},\n  year = {2017}\n}\n```\n\n#### Dependencies\n\n- python 2.7\n- cvxopt\n- Tensorflow 0.12.1\n- matplotlib\n\n\n#### Linear Inverse Reinforcement Learning\n\n- Following Ng & Russell 2000 paper: [Algorithms for Inverse Reinforcement Learning](http:\u002F\u002Fai.stanford.edu\u002F~ang\u002Fpapers\u002Ficml00-irl.pdf), algorithm 1\n\n```bash\n$ python linear_irl_gridworld.py --act_random=0.3 --gamma=0.5 --l1=10 --r_max=10\n```\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyrlu_irl-imitation_readme_7dbf5129d249.jpg\" width=\"200\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyrlu_irl-imitation_readme_18cc8cf13620.jpg\" width=\"200\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyrlu_irl-imitation_readme_52736af16d81.jpg\" width=\"200\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyrlu_irl-imitation_readme_cecbd7c38af0.jpg\" width=\"200\"> \n\n#### Maximum Entropy Inverse Reinforcement Learning\n\n(This implementation is largely influenced by [Matthew Alger's maxent implementation](https:\u002F\u002Fgithub.com\u002FMatthewJA\u002FInverse-Reinforcement-Learning\u002Fblob\u002Fmaster\u002Firl\u002Fmaxent.py))\n\n- Following Ziebart et al. 2008 paper: [Maximum Entropy Inverse Reinforcement Learning](https:\u002F\u002Fwww.aaai.org\u002FPapers\u002FAAAI\u002F2008\u002FAAAI08-227.pdf)\n- `$ python maxent_irl_gridworld.py --help` for options descriptions\n\n\u003C!-- ```\n$ python maxent_gridworld.py --gamma=0.8 --n_trajs=100 --l_traj=20 --no-rand_start --learning_rate=0.01 --n_iters=20\n```\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyrlu_irl-imitation_readme_31df213620ab.jpg\" width=\"200\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyrlu_irl-imitation_readme_329ecd8286ed.jpg\" width=\"200\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyrlu_irl-imitation_readme_9eefb823ddcd.jpg\" width=\"200\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyrlu_irl-imitation_readme_8cb9b3787c45.jpg\" width=\"200\"> \n -->\n\n```bash\n$ python maxent_irl_gridworld.py --height=10 --width=10 --gamma=0.8 --n_trajs=100 --l_traj=50 --no-rand_start --learning_rate=0.01 --n_iters=20\n```\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyrlu_irl-imitation_readme_0fa2d4308ae8.jpg\" width=\"200\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyrlu_irl-imitation_readme_bc30f70061f0.jpg\" width=\"200\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyrlu_irl-imitation_readme_e4f77362c85b.jpg\" width=\"200\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyrlu_irl-imitation_readme_b0288df1fd06.jpg\" width=\"200\"> \n\n```bash\n$ python maxent_irl_gridworld.py --gamma=0.8 --n_trajs=400 --l_traj=50 --rand_start --learning_rate=0.01 --n_iters=20\n```\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyrlu_irl-imitation_readme_13873d4f4e6b.jpg\" width=\"830\">\n\n#### Maximum Entropy Deep Inverse Reinforcement Learning\n\n- Following Wulfmeier et al. 2015 paper: [Maximum Entropy Deep Inverse Reinforcement Learning](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1507.04888.pdf). FC version implemented. The implementation does not follow exactly the model proposed in the paper. Some tweaks applied including elu activations, clipping gradients, l2 regularization etc.\n- `$ python deep_maxent_irl_gridworld.py --help` for options descriptions\n\n```bash\n$ python deep_maxent_irl_gridworld.py --learning_rate=0.02 --n_trajs=200 --n_iters=20\n```\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyrlu_irl-imitation_readme_ecc7f1629376.jpg\" width=\"830\">\n\n#### MIT License\n\n\n","# irl-imitation\n\n[![DOI](https:\u002F\u002Fzenodo.org\u002Fbadge\u002FDOI\u002F10.5281\u002Fzenodo.6796157.svg)](https:\u002F\u002Fdoi.org\u002F10.5281\u002Fzenodo.6796157)\n\n使用 Python\u002FTensorflow 实现选定的逆强化学习（Inverse Reinforcement Learning, IRL）算法。\n\n```bash\n$ python demo.py\n```\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyrlu_irl-imitation_readme_7f005d4bb53d.jpg\" width=\"830\">\n\n##### 已实现的算法\n\n- 线性逆强化学习 (Ng & Russell, 2000)\n- 最大熵逆强化学习 (Ziebart 等人，2008)\n- 最大熵深度逆强化学习 (Wulfmeier 等人，2015)\n\n##### 已实现的马尔可夫决策过程与求解器\n\n- 2D 网格世界\n- 1D 网格世界\n- 值迭代\n\n如果您在出版物中使用本软件，请使用以下 BibTeX 条目引用它：\n\n```bibtex\n@misc{lu2017irl-imitation,\n  author = {Lu, Yiren},\n  doi = {10.5281\u002Fzenodo.6796157},\n  month = {7},\n  title = {{Implementations of inverse reinforcement learning algorithms in Python\u002FTensorflow}},\n  url = {https:\u002F\u002Fgithub.com\u002Fyrlu\u002Firl-imitation},\n  year = {2017}\n}\n```\n\n#### 依赖项\n\n- python 2.7\n- cvxopt\n- Tensorflow 0.12.1\n- matplotlib\n\n\n#### 线性逆强化学习\n\n- 遵循 Ng & Russell 2000 年的论文：[逆强化学习算法](http:\u002F\u002Fai.stanford.edu\u002F~ang\u002Fpapers\u002Ficml00-irl.pdf)，算法 1\n\n```bash\n$ python linear_irl_gridworld.py --act_random=0.3 --gamma=0.5 --l1=10 --r_max=10\n```\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyrlu_irl-imitation_readme_7dbf5129d249.jpg\" width=\"200\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyrlu_irl-imitation_readme_18cc8cf13620.jpg\" width=\"200\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyrlu_irl-imitation_readme_52736af16d81.jpg\" width=\"200\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyrlu_irl-imitation_readme_cecbd7c38af0.jpg\" width=\"200\"> \n\n#### 最大熵逆强化学习\n\n（此实现很大程度上受 [Matthew Alger 的 maxent 实现](https:\u002F\u002Fgithub.com\u002FMatthewJA\u002FInverse-Reinforcement-Learning\u002Fblob\u002Fmaster\u002Firl\u002Fmaxent.py) 影响）\n\n- 遵循 Ziebart 等人 2008 年的论文：[最大熵逆强化学习](https:\u002F\u002Fwww.aaai.org\u002FPapers\u002FAAAI\u002F2008\u002FAAAI08-227.pdf)\n- 运行 `$ python maxent_irl_gridworld.py --help` 查看选项描述\n\n\u003C!-- ```\n$ python maxent_gridworld.py --gamma=0.8 --n_trajs=100 --l_traj=20 --no-rand_start --learning_rate=0.01 --n_iters=20\n```\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyrlu_irl-imitation_readme_31df213620ab.jpg\" width=\"200\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyrlu_irl-imitation_readme_329ecd8286ed.jpg\" width=\"200\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyrlu_irl-imitation_readme_9eefb823ddcd.jpg\" width=\"200\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyrlu_irl-imitation_readme_8cb9b3787c45.jpg\" width=\"200\"> \n -->\n\n```bash\n$ python maxent_irl_gridworld.py --height=10 --width=10 --gamma=0.8 --n_trajs=100 --l_traj=50 --no-rand_start --learning_rate=0.01 --n_iters=20\n```\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyrlu_irl-imitation_readme_0fa2d4308ae8.jpg\" width=\"200\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyrlu_irl-imitation_readme_bc30f70061f0.jpg\" width=\"200\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyrlu_irl-imitation_readme_e4f77362c85b.jpg\" width=\"200\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyrlu_irl-imitation_readme_b0288df1fd06.jpg\" width=\"200\"> \n\n```bash\n$ python maxent_irl_gridworld.py --gamma=0.8 --n_trajs=400 --l_traj=50 --rand_start --learning_rate=0.01 --n_iters=20\n```\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyrlu_irl-imitation_readme_13873d4f4e6b.jpg\" width=\"830\">\n\n#### 最大熵深度逆强化学习\n\n- 遵循 Wulfmeier 等人 2015 年的论文：[最大熵深度逆强化学习](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1507.04888.pdf)。实现了 FC（全连接）版本。该实现并未完全遵循论文中提出的模型。应用了一些调整，包括 elu 激活函数、梯度裁剪、l2 正则化等。\n- 运行 `$ python deep_maxent_irl_gridworld.py --help` 查看选项描述\n\n```bash\n$ python deep_maxent_irl_gridworld.py --learning_rate=0.02 --n_trajs=200 --n_iters=20\n```\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyrlu_irl-imitation_readme_ecc7f1629376.jpg\" width=\"830\">\n\n#### MIT 许可证","# irl-imitation 快速上手指南\n\n`irl-imitation` 是一个基于 Python 和 TensorFlow 实现的逆强化学习（Inverse Reinforcement Learning, IRL）工具包，支持线性 IRL、最大熵 IRL 及深度最大熵 IRL 等算法。\n\n## 环境准备\n\n本项目依赖较旧的版本，建议在虚拟环境中运行以避免冲突。\n\n*   **Python**: 2.7\n*   **TensorFlow**: 0.12.1\n*   **其他依赖**: `cvxopt`, `matplotlib`\n\n> **提示**：由于 TensorFlow 0.12.1 版本较老，若从官方源下载困难，建议使用国内镜像源（如清华源）进行安装。\n\n## 安装步骤\n\n1.  **克隆项目**\n    ```bash\n    $ git clone https:\u002F\u002Fgithub.com\u002Fyrlu\u002Firl-imitation.git\n    $ cd irl-imitation\n    ```\n\n2.  **安装依赖**\n    确保已激活 Python 2.7 环境，然后安装所需库：\n    ```bash\n    $ pip install cvxopt tensorflow==0.12.1 matplotlib\n    ```\n\n## 基本使用\n\n### 1. 运行演示\n直接运行主脚本查看效果：\n```bash\n$ python demo.py\n```\n\n### 2. 运行特定算法\n根据需求选择以下脚本之一运行：\n\n*   **线性逆强化学习 (Linear IRL)**\n    ```bash\n    $ python linear_irl_gridworld.py --act_random=0.3 --gamma=0.5 --l1=10 --r_max=10\n    ```\n\n*   **最大熵逆强化学习 (Max Entropy IRL)**\n    ```bash\n    $ python maxent_irl_gridworld.py --height=10 --width=10 --gamma=0.8 --n_trajs=100 --l_traj=50 --no-rand_start --learning_rate=0.01 --n_iters=20\n    ```\n\n*   **深度最大熵逆强化学习 (Deep Max Entropy IRL)**\n    ```bash\n    $ python deep_maxent_irl_gridworld.py --learning_rate=0.02 --n_trajs=200 --n_iters=20\n    ```\n\n如需了解具体参数含义，可运行脚本添加 `--help` 参数查看。","某物流仓储机器人团队正在开发 AGV 小车的路径规划系统，目标是让机器人像熟练工一样灵活避开货架和行人。\n\n### 没有 irl-imitation 时\n- 奖励函数全靠人工猜测，难以量化“平滑转向”或“紧急避让”等抽象驾驶习惯。\n- 每次调整安全距离或转弯惩罚都需要重新训练整个强化学习模型，试错成本极高。\n- 缺乏逆强化学习的基础代码，团队需花费数周从零推导数学公式和梯度更新过程。\n- 无法直观对比线性与深度模型在复杂网格环境下的表现差异，决策依据严重不足。\n\n### 使用 irl-imitation 后\n- 直接导入专家操作轨迹，利用 MaxEnt 算法自动反推出符合人类直觉的奖励函数分布。\n- 内置的 Gridworld 求解器支持快速迭代，几分钟内即可验证不同超参数的收敛效果。\n- 调用 Deep MaxEnt 模块处理高维状态输入，成功捕捉到非线性的复杂避障偏好。\n- 基于 Tensorflow 的现成实现便于后续工程集成，省去了底层优化器和求解器的编写工作。\n\n`irl-imitation` 的核心价值在于将人类专家的行为数据直接转化为可优化的奖励信号，极大简化了强化学习系统的构建流程。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyrlu_irl-imitation_7f005d4b.jpg","yrlu","Yiren Lu","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fyrlu_14517b4b.jpg","Research Scientist at Waymo Research. RL \u002F Planning \u002F Agents \u002F Post-Training.\r\n\r\nPrev. GRASP Lab, UPenn","Waymo Research","New York","luyirenmax@gmail.com","luyirenmax","https:\u002F\u002Fluyiren.me\u002F","https:\u002F\u002Fgithub.com\u002Fyrlu",[86],{"name":87,"color":88,"percentage":89},"Python","#3572A5",100,672,147,"2026-04-01T01:53:51",null,"未说明",{"notes":96,"python":97,"dependencies":98},"项目发布于 2017 年，依赖较旧的 Python 2.7 和 TensorFlow 0.12.1，现代系统可能不兼容。包含线性、最大熵及深度最大熵逆强化学习算法实现。使用 MIT 协议，发表时请按 BibTeX 引用。","2.7",[99,100,101],"cvxopt","Tensorflow==0.12.1","matplotlib",[13],[104,105,106,107,108,109,110,111,112,113,114],"irl","inverse-reinforcement-learning","imitation","imitation-learning","ml","machine-learning","rl","reinforcement-learning","lfd","learning-from-demonstration","tensorflow","2026-03-27T02:49:30.150509","2026-04-06T07:13:00.691676",[118,123],{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},3334,"Value Iteration 算法中，奖励项应该使用当前状态 s 的奖励还是下一个状态 s1 的奖励？","代码实现是正确的，应使用当前状态 s 的奖励 R(s)。这通常是由于控制理论符号引起的混淆。在 Sutton & Barto 的公式中，R_{t+1} 实际上代表的是状态 S_t 的奖励（因为在控制理论中，你是在下一步观察到当前状态的奖励）。","https:\u002F\u002Fgithub.com\u002Fyrlu\u002Firl-imitation\u002Fissues\u002F3",{"id":124,"question_zh":125,"answer_zh":126,"source_url":122},3335,"代码中随机策略的计算方法是否有更标准的参考方案？","当前代码使用了比 Ziebart 更简单的方案。建议参考 Ziebart 的 Thesis（2010 年，MaxENT paper 之后），查看 Algorithms 章节中的 \"State log partition function\" 部分以获取更严谨的实现细节。",[128],{"id":129,"version":107,"summary_zh":93,"released_at":130},102922,"2022-07-05T03:17:43"]