banner
Nagi-ovo

Nagi-ovo

Breezing
github
主页アーカイブPortfolios日寄

PPO

cover
cover

“速通” PPO

Proximal Policy Optimization 终于到了这几年 NLP 领域中比较火热的 RL 算法之一了 On-Policy 算法中，采集数据用的策略和训练的策略是相同的，这样的问题是数据用一次后就得丢弃，然后再重新采集数据，训练速度很慢。 PPO 背后的直觉  …
RL
ブログは、創作者によって署名され、ブロックチェーンに安全に保存されています。