《强化学习的数学原理》学习笔记(9-10)
内容包括策略梯度方法、Actor-Critic 方法，对应《强化学习的数学原理》9-10章。
《强化学习的数学原理》学习笔记(7-8)
内容包括时序差分方法、值函数近似，对应《强化学习的数学原理》7-8章。
《强化学习的数学原理》学习笔记(4-6)
内容包括值迭代与策略迭代、蒙特卡罗方法、随机近似算法，对应《强化学习的数学原理》4-6章。
《强化学习的数学原理》学习笔记(1-3)
内容包括基本核心概念、状态值与贝尔曼方程、最优状态值与最优决策，对应《强化学习的数学原理》1-3章。
LLM后训练中的强化学习
发表于
本文字数：
35
阅读时长 ≈
1 分钟
内容包括PPO，dpo，grpo的概念介绍、公式、以及简单的代码实现。