1. 必须熟悉 DDPG 、 PPO 、 TD3 、 SAC 等算法的原理和区别。 这四种算法是连续控制（如机器人控制）中最常用的深度强化学习算法。 PPO (Proximal Policy Optimization)   原理：PPO是一种同策略（On-policy）的策略梯度算法。它使用截断（Clipping）机制限制新旧策略的更新步长，防止策略更新“翻车”。   核心公式：    数值计算示例： 假设在时间步 ，GAE计算出的优势函数 （正数，说明这个动作很好）。 设定截断超参数 。 如果新网络过于激进，导致新旧策略概率比 （新策略采用该动作的概率是旧策略的1.5倍）：   原始目标： ...

学院本真的没希望了吗😭秋招0offer，投了也石沉大海，求各位佬指点一下😭

过了，云智真tm香啊。😜

📍面试公司：神州信息 hr + 技术面💻面试岗位：java开发❓面试问题：hr：自我介绍、能否出差、意向地、工资、有无offer 技术：对着简历问，问简历里写的实习经历和项目经历的问题场景，没问八股。实习都是好几个月前的事了，答得依托🙌面试感想：预订面试15分钟，结果真的就面了这么长时间，时间一到就不继续问了，拷打实习经历不问八股是真的心里没底。