Training a walking policy with PPO
How PPO learns: policy gradients, advantages and the clipped update, with light maths. Then training with Stable-Baselines3: parallel environments, normalisation, the numbers in the log, saving, and what to do when nothing is learned.
Ez az oldal még nincs lefordítva, ezért angolul jelenik meg.
Ez a lecke a fizetős tanfolyam része. Minden tanfolyam első leckéje ingyenes.
Rendelés e-mailben24 EUREgy napon belül válaszolunk a fizetési adatokkal (átutalás vagy PayPal), és a fizetés után azonnal e-mailben küldjük a fájlokat.