partition function

Определение

Функция, используемая в выражении для оптимальной политики и implicit reward, нормирующая вероятности в методах обучения с подкреплением.

Где встречается

• 335. Как работает Direct Preference Optimization (DPO) в деталях (потеря, градиенты)

Навигация

• Индекс терминов
• Индекс разборов
• Оглавление