大模型核心技术与应用（微课视频版）课件 PPO

上传人：y*** IP属地：山东上传时间：2026-07-21 格式：PPTX 页数：19 大小：4.78MB 积分：15 举报 版权申诉

已阅读5页，还剩14页未读，继续免费阅读

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

零基础学习PPOAgentEnvironmentObservationStateActionRewardActionSpace:可选择的动作，比如

{left，up，right}

Return:回报，从当前时间点到游戏结束的Reward的累积和。

目标：训练一个Policy神经网络π，在所有状态S下，给出相应的Action，得到Return的期望最大。目标：训练一个Policy神经网络π，在所有的Trajectory中，得到Return的期望最大。

Policygradient

softmaxleft(0.2)up(0.1)right(0.7)

...运行模型采集数据训练模型更新参数OnPolicy

数据模型

好的局势leftupright坏的局势leftuprightleftuprightleftupright

Action-ValueFunction

每次都是一次随机采样，方差很大，训练不稳定。

State-ValueFunction

AdvantageFunction

...偏差方差

...GeneralizedAdvantageEstimation

（GAE）

...

softmaxleft(0.2)up(0.1)right(0.7)

ProximalPolicyOptimization(PPO)邻近策略优化OnPolicyOffPolicyOffPolicyOffPolicy运行参考模型采集数据训练模型更新参数OffPolicy运行模型采集数据训练模型更新参数OnPolicy数据模型数据

重要性采样

人人文库> 全部分类> 教育资料 > 课件下载

1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。