Clip ε

Определение

Гиперпараметр PPO (обычно 0.2), ограничивающий отношение вероятностей новой и старой политики для стабильности обучения.

Где встречается

• 326. Как работает RLHF (Reinforcement Learning from Human Feedback) технически

Навигация

• Индекс терминов
• Индекс разборов
• Оглавление