本文為 Hugging Face 深度強化學習課程的第四單元,詳細介紹了策略梯度(Policy Gradient)與 REINFORCE 演算法的理論基礎。讀者將學習如何使用 PyTorch 建立策略網路、進行動作採樣、計算損失函數並更新權重。最後,教學還包含如何將訓練好的 Agent 部署並分享至 Hugging Face Hub。
本文為 Hugging Face 深度強化學習系列教程中 Q-Learning 的後半部分。內容專注於 Q-Learning 演算法的具體執行步驟,詳細解析 Epsilon-Greedy 策略如何平衡「探索與利用」,並引導讀者使用 Python 與 Gymnasium 庫在 FrozenLake 等經典環境中從零實作 Q-Table,最後將訓練好的 Agent 上傳至 Hugging Face Hub。
本指南為 Hugging Face 深度強化學習課程的第一章。文章系統性地介紹了強化學習(RL)的核心架構,包含 Agent 與環境的互動循環、獎勵機制,並深入探討「探索與利用」(Exploration vs. Exploitation)的權衡。最後介紹如何結合深度學習形成 Deep RL,並引導讀者使用 Stable-Baselines3 等開源工具進行實作。