# 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](https://huggingface.co/papers/2305.13301), 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](https://huggingface.co/blog/trl-ddpo).