-
RL笔记（14）：SQL深入解析 Soft Q-Learning (SQL)：从最大熵强化学习原理出发，详细推导 Soft Bellman 方程、策略提升定理及收敛性证明，并探讨基于能量模型的策略采样与实现细节。
10 min read - RL笔记（13）：DDPG
深度确定性策略梯度：将 DQN 扩展到连续动作空间。详解 DDPG 的软更新与噪声探索，以及 TD3 如何通过双 Q 网络和延迟更新解决过估计问题。
9 min read - RL笔记（12）：PPO
OpenAI 的默认算法：详解 PPO 如何通过 Clip 技巧简化 TRPO。涵盖 PPO-Clip 与 PPO-Penalty 两种变体、GAE 优势估计及完整的损失函数设计。圣PPO伟大无需多言！
6 min read - RL笔记（11）：TRPO
深度强化学习的里程碑：详解 TRPO 如何通过信任区域约束保证策略更新的单调性。涵盖目标函数推导、二阶泰勒近似、共轭梯度法及 HVP 技巧。
8 min read - RL笔记（10）：Actor-Critic
策略梯度与价值函数的完美结合：详解 Actor-Critic 架构。从 Baseline 减小方差的数学证明，到优势函数 (Advantage) 的推导及 A2C 算法流程。
7 min read - RL笔记（9）：REINFORCE
从价值到策略：详解策略梯度 (Policy Gradient) 定理的完整数学推导，并介绍最基础的策略梯度算法——REINFORCE。
7 min read - RL笔记（8）：DQN
深度强化学习的开山之作。详解 DQN 如何利用神经网络拟合 Q 值，以及两大核心创新：经验回放与目标网络。进阶涵盖 Double DQN 与 Dueling DQN。
7 min read -
RL笔记（7）：Dyna-Q从试错到规划：基于模型的强化学习 (Model-Based RL) 入门。详解 Dyna-Q 算法如何利用环境模型生成模拟数据，加速策略学习。
6 min read - RL笔记（6）：时序差分
结合了蒙特卡洛与动态规划的精华：详解时序差分 (TD) 学习。涵盖 SARSA、Q-Learning 及其多步扩展，深入对比 On-Policy 与 Off-Policy 的本质区别。
8 min read - 图床配置
从模型到经验：如何不依赖状态转移矩阵，仅通过‘玩游戏’来估计价值？详解蒙特卡洛预测与控制、增量更新及 GLIE 性质。
1 min read - Astro-Pure Blog 多平台部署(2) - cloudflare pages
如何将 Astro-Pure 主题部署到 Cloudflare Pages 平台?
1 min read - Astro-Pure Blog 多平台部署(2) - github page
如何将 astro-pure 主题部署到 github.io? 需要注意细节
3 min read - Astro-Pure Blog 多平台部署(1)-Vercel
将 astro 部署到 verel、 cloudflare pages
2 min read - Astro-Pure Blog 部署
如何将 astro-pure 主题部署到 github.io?
2 min read
Page 2 - Showing 14 of 29 posts
View all posts by years →