中邮消费金融暑期实习

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： ...

求助，怎么改进。约面都没有🙂‍↔️  

总时长4-50min，对自己的表现总体感觉中等。 1.项目相关大概20min  你们的这个缓冲队列是如何保证不重复读取的 @Async注解你有了解吗 如果Redis宕机了，或者是取出来之后程序宕机了怎么办？ 你了解rewritebatchedstatements参数吗？ 批量插入的时候你怎么处理中间某条数据失败的情况？怎么回滚？ fastjson2和jackson有什么区别，它的优势在哪里？JSONpath我记得在jackson中也有有什么区别吗？  2.八股  我自己主动引导的讲了Java的锁升级相关（这里没讲好，因为担心我话太密了只讲了个大概，然后面试官没有追问，我很多细节没讲出来） Ja...