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： ...

遇到一个民科乐子，最难绷的一集。

就是觉得好漂亮，可能是配色？

1、自我介绍2、解释项目中预扣减，场景题：如果redis预扣减后的假成功，如何解决？没想过这种情况，说了消息队列的异步下单失败回滚，数据库层幂等建唯一id查订单是否存在。3、场景题：怎么做用户支付不多扣？在自我介绍的时候解释了项目的防重和状态机，又说了一遍redis预扣，lua原子操作，卡夫卡异步下单，数据库幂等表，不知道怎么答。4、对账怎么实现？没做过这部分，说了思路，应该不对。5、go的slice，array区别6、go的map是否并发安全7、redis的持久化操作8、如果AOF写的日志太多，怎么办？9、数据库索引种类，又解释了一下10、算法：lru11、反问：没问。#牛客AI配图神器#