2025年4月15日
Deepseek核心算法GPRO以及传统算法PPO
摘要： 下面是PPO算法： 现在开始讲解GRPO: 1: policy model π_θ ← π_{θ_init} 2: for iteration = 1, ..., I do 3: reference model π_ref ← π_θ 初始策略模型可以是没训练的语言模型。将该模型作为当前的策略模型 阅读全文
posted @ 2025-04-15 21:29 胸中有泰勒 阅读(815) 评论(0) 推荐(0)