Обучение с подкреплением с помощью DDPO

Вы можете дообучить Stable Diffusion на функции вознаграждения с помощью обучения с подкреплением, используя библиотеки 🤗 TRL и 🤗 Diffusers. Это делается с помощью алгоритма Denoising Diffusion Policy Optimization (DDPO), предложенного Black et al. в статье Training Diffusion Models with Reinforcement Learning, который реализован в 🤗 TRL с помощью DDPOTrainer.

Для получения дополнительной информации обратитесь к справочнику API DDPOTrainer и к статье в блоге Finetune Stable Diffusion Models with DDPO via TRL.