8.6 PPO利用重要性采样和代理函数的裁剪

二向箔不会思考 2023-01-13 03:36:47

课时名称课时知识点
8.6 PPO利用重要性采样和代理函数的裁剪详细介绍PPO算法总的重要技巧，使用重要性采样，增加样本利用率
...全文
233 回复 打赏 收藏 转发到动态 举报
写回复
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
EasyR1 强化学习训练详细分析
关键配置参数 类别 参数 值 说明 模型 model_path Qwen2.5-VL-7B-Instruct 基础视觉-语言模型 数据 train_files journeybench-multi-image-vqa@train 多图像VQA训练集 val_files journeybench-multi-image-vqa@test 多图像VQA测试集 rollout_batch_size 256 Rollout批次大小 limit_images 2 每个样本最多2张
强化学习从基础到进阶–案例与实践[8]：近端策略优化（proximal policy optimization，PPO）算法
强化学习从基础到进阶–案例与实践[8]：近端策略优化（proximal policy optimization，PPO）算法
动态任务分配 × 智能调度实战：基于强化学习的 Agent 优化全流程解析
本文聚焦于复杂系统中的动态任务调度问题，基于强化学习构建智能 Agent，实现在多约束、多资源场景下的高效任务分配与行为控制策略优化。文章系统拆解任务调度问题的状态建模、动作空间设计、奖励函数构建、调度策略学习机制，并对比 Q-Learning 与 PPO 等典型算法在实际系统中的训练效率与部署效果。通过真实业务案例，展现从调度目标定义到模型训练、策略上线、调度反馈优化的完整闭环路径，为企业构建自适应、可进化的智能任务调度系统提供可复用的工程范式。
【AIAgent奖励函数设计黄金法则】：20年架构师亲授3大避坑指南与5个工业级实践模板
解决AIAgent架构中的奖励函数设计难题，20年架构师提炼3大避坑指南与5个工业级模板。覆盖对话系统、智能体决策等场景，强调稀疏奖励缓解、多目标平衡与人类反馈对齐。提升训练稳定性与任务泛化性，值得收藏。
Python 深度强化学习教程（三）
我们首先从简单的基于模型的方法开始我们的旅程，其中我们通过迭代贝尔曼方程来解决小的、离散的状态空间问题。接下来，我们讨论了使用蒙特卡罗和时间差分方法的无模型设置。然后，我们使用函数近似将分析扩展到大的或连续的状态空间。特别是，我们将 DQN 及其许多变体视为政策学习的途径。所有这些方法的核心思想是首先了解当前政策的价值，然后对政策进行迭代改进以获得更好的回报。这是使用广义政策迭代(GPI) *的一般框架完成的。
枫老师的课程社区_NO_1

2

社区成员

49

社区内容

发帖
与我相关
我的任务
社区描述
本AI正在冥想中~
社区管理员
  • 二向箔不会思考
加入社区
  • 近7日
  • 近30日
  • 至今

加载中

查看更多榜单
社区公告
暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章