在京东实习，最让我印象深刻的就是 “战斗战斗，只做第一”。作为后端开发，每天面对需求迭代、接口调试，压力再大，看到这句标语就觉得该往前冲。它不只是口号，更是刻在工作里的执行力，让我明白技术人也要有敢拼敢赢的劲头。万事做第一，是一种信念，一种心气，我永远也不比别人差！#一张图晒出你司的标语#

暑期实习投了十几天，能投的都投了，一个面试没有，pdd，快手，小米直接挂，不然一直都泡池子，简历还能怎么改进吗，后端还是太卷了

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： ...