Burkov 出新书:从策略梯度到 PPO,同一火箭着陆任务实测各 RL 算法

burkov · x · 2026-11-11

《百页机器学习书》作者 Andriy Burkov 宣布新书内容覆盖深度强化学习：从 Policy Gradient Theorem 出发，读者亲手用 PyTorch 从零实现 REINFORCE，再进阶到 PPO 和 Deep Q-Networks，全部在同一火箭着陆任务上运行，方便横向比较各算法的学习过程与行为差异。

书中还涵盖 RLHF 与面向语言模型的可验证奖励（verifiable rewards）。购书者可联系作者领取价值 150 美元的 Lambda GPU 免费额度——书中的小型网络在 CPU 上即可运行，但要用于真实机器人仿真或微调 LLM 则需要 GPU。