VIVO笔试9.13

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： ...

先上Timeline:3.17 一面（一小时后通知过了）3.21 二面（面试在周末，周一上午通知过了）3.25 三面（半小时后通知过了）3.26 hr面（当天晚上发offer）面试内容：一二三面基本上都是拷打实习+项目，🈚️八股一二面各一道非常简单的算法，三面🈚️算法hr面主要是了解个人经历、性格，以及就业规划等总体感受：整个流程非常快，这个必须点赞每个面试官的专业能力就不用说了，会问到一些可能自己之前没考虑过的问题，也会现场引导我思考。整体面试氛围很轻松，像是在和同学一起讨论技术问题，交流各自的想法一样，聊的很开心暑期投了不少大厂，但只有腾讯字节给面试，其他公司都没给机会腾子那边也挂了几次不过还好最后如愿进字节了

没想到挂了还有感谢信啊哈哈哈哈啊哈哈啊哈哈