Lecture 14 · 从奖励学习到语言模型强化学习
先看清这一讲在做什么 Lecture 14 把前几讲的策略梯度工具搬到序列与语言模型，并补上“奖励从哪里来”。 先把生成回答、打分、冻结采样策略、反复更新的完整循环放在一个框里，旁边列出全部步骤公式，再指出其中三个要填的量：reward、baseline、regularizer。 ...
先看清这一讲在做什么 Lecture 14 把前几讲的策略梯度工具搬到序列与语言模型，并补上“奖励从哪里来”。 先把生成回答、打分、冻结采样策略、反复更新的完整循环放在一个框里，旁边列出全部步骤公式，再指出其中三个要填的量：reward、baseline、regularizer。 ...