AI/RL2
后训练
PPO 核心思想：裁剪概率比限制策略更新步长，配合 GAE 优势与多轮 epoch 优化的速记推导。
强化学习
强化学习系统化笔记：MDP 记号、蒙特卡洛、TD、SARSA、Q 学习与 DQN 等算法脉络。
Search posts…
Search posts…
PPO 核心思想：裁剪概率比限制策略更新步长，配合 GAE 优势与多轮 epoch 优化的速记推导。
强化学习系统化笔记：MDP 记号、蒙特卡洛、TD、SARSA、Q 学习与 DQN 等算法脉络。