从理论上了解深度强化学习 （deep RL） 中最常用的库。这个新版本侧重于使用编码学习方法的深度 RL 的最新进展，使读者能够吸收和复制该领域的最新研究。

介绍了从游戏、机器人到金融的新代理环境，以帮助您尝试不同的方法来应用强化学习。一章介绍了多智能体强化学习，介绍了多个智能体如何竞争，而另一章则重点介绍了广泛使用的深度 RL 算法，即近端策略优化 （PPO）。您将看到聊天机器人如何使用基于人工反馈的强化学习 （RLHF），这些机器人使用大型语言模型（例如 ChatGPT）构建，以提高对话能力。

您还将查看在多个云系统上使用代码以及在 Hugging Face Hub 等平台上部署模型的步骤。代码位于 Jupyter Notebook 中，可以在 Google Colab 和其他类似的深度学习云平台上运行，允许您根据自己的需求定制代码。

无论是用于游戏、机器人还是生成式 AI 中的应用，使用 Python 进行深度强化学习都将帮助您保持领先地位。

 学习内容

• 探索基于 Python 的 RL 库，包括 StableBaselines3 和 CleanRL
• 使用各种 RL 环境，如 Gymnasium、Pybullet 和 Unity ML
• 了解使用 RLHF 和 PPO 对大型语言模型的指令进行微调
• 使用 HuggingFace、Weights and Biases 和 Optuna 研究训练和优化技术

这本书是为谁准备的

渴望加深对深度 RL 的理解并获得从头开始实施 RL 算法的实用技能的软件工程师和机器学习开发人员。