想要更好的阅读体验，欢迎到我的网站阅读：《从零开始的OCR-0——基础篇[RL]》。 

从零开始的OCR-0——基础篇[RL]

学习目标： 
难度：⭐⭐⭐⭐⭐ 
重要性：⭐⭐⭐⭐⭐ 
昔日所学，皆是循着前人留下的答案修炼。然而真正的强者，岂能永远止步于模仿？以奖惩为道，以试错为劫……从这一刻起，它将不再只会寻找答案，而是学会自行择道。 

RL 是什么？
前面我们学习的 SFT，是一种监督学习，对于一个问题有且只有一个唯一的正确答案，模型会不断训练输出这个正确的答案。 
但是，我们现在想要一些探索性的任务，比如我们希望训练一个智能体自己走出迷宫。我们并不知道迷宫中每一步应该向哪里走，只知道成功到达终点可以获得奖励。那应该怎么训练它？ 
这时候由于没有 “迷宫中每一步应该向哪里走” 的监督信号，我们该怎么训练？ 这就是强化学习要研究的问题 
RL 的整体流程
 [image] 
通过与...