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： ...

昨天晚上妈妈突然告诉我，一个在科大毕业每几年的亲戚去世了，才三十不到。突然间我躺在床上，感觉自己对未来的焦虑、烦恼，似乎在生命之重面前成了一片微不足道的叶。昨天我的女朋友送了我一个噜噜的玩偶，我把它放在床上陪着我睡觉。我突然想到，如果有一天我生了一场大病，躺在床上，无法健身，无法学习，无法和我爱的人一起散步，吃饭，做最平常的事情，这有多么可怕啊？我们现在活着，爱着，在努力地往前走，这就是最伟大的财富了。

简历如下 大家觉得有机会冲一下暑期offer吗，目前还没有面试经验，项目做的很水，还没开始背八股😅

我认为实习的产出有以下几个部分构成，日常工作安排，协助mentor进行需求开发，阅读相关业务文档。产出的唯一原则就是：你学到了，就是自己的，就可以写到自己的实习经历上面。从接口调试、数据库优化到参与业务逻辑落地，每一行代码、每一次 bug 修复都是实打实的积累。不虚构项目、不夸大成果，靠真实能力立足，踏实比光鲜更重要。#你的实习产出是真实的还是包装的？#