摘要：
背景 前面我们介绍了策略梯度算法，但是其存在两个缺点： 1. 每条采样的数据只能更新模型一次，采样数据的成本高 2. 由于没有对梯度加限制，训练不稳定，容易陷入局部最优 下面我们看一下PPO算法是如何解决这两个问题的 重要性采样 假设我们有一个函数 f(x)，要计算从分布 p 采样 x，再把 x 代 阅读全文
posted @ 2025-04-07 19:57
AI_Engineer
阅读(83)
评论(0)
推荐(0)
浙公网安备 33010602011771号