# DDPOによる強化学習トレーニング

🤗 TRL ライブラリと 🤗 Diffusers を使用して、報酬関数に対する強化学習により Stable Diffusion をファインチューニングできます。これは、Black らが [Training Diffusion Models with Reinforcement Learning](https://huggingface.co/papers/2305.13301) で提案した Denoising Diffusion Policy Optimization (DDPO) アルゴリズムを用いて行われ、🤗 TRL では `DDPOTrainer` として実装されています。

詳細については、`DDPOTrainer` の API リファレンスと、[TRL を用いた DDPO による Stable Diffusion モデルのファインチューニング](https://huggingface.co/blog/trl-ddpo) というブログ記事をご覧ください。