强化学习 Q-Learning 入门
Q-Learning 通过 Q 表记录状态动作的价值。Agent 探索环境根据奖励更新 Q 值。$\epsilon$-greedy 平衡探索和利用。本文用走迷宫的例子实现 Q-Learning。
16
0
0
2026-07-09
GRPO 组相对策略优化
了解 Group Relative Policy Optimization 如何以组内相对优势替代单独的价值网络，降低训练开销，成为 DeepSeek 等模型的高效对齐方法。
24
0
0
2026-06-13
PPO 近端策略优化强化
掌握 PPO 算法中 clipped surrogate objective、价值函数与优势估计，理解其如何稳定更新策略，并在 RLHF 中担当核心优化器。
24
0
0
2026-06-13
强化学习入门：从 Q-Learning 到 DQN
从多臂老虎机到 OpenAI Gym 环境，学习基于值函数和策略梯度的经典强化学习算法，并用 PyTorch 实现 DQN。
19
0
0
2026-06-12