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.
Táto stránka ešte nie je preložená, preto je zobrazená v angličtine.
Táto lekcia je súčasťou plateného kurzu. Prvú lekciu každého kurzu si môžeš prečítať zadarmo.
Objednať e-mailom24 €Do jedného dňa ti pošleme platobné údaje (prevod alebo PayPal) a hneď po platbe ti súbory pošleme e-mailom.