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： ...

211本985硕,暑期快手已经用人部门筛挂两次了😡😡实习已经改了一版了,需要写的更详细点吗😭😭😭

相比一面真的难太多了，面试官更喜欢从底层不断地拷打，直到问到我实在是答不上来了面经发出来攒攒人品，需要的牛友可以看看

🏆 TOP 1：你面试已经通过了，目前正在走流程。这句话绝对是牛客网年度最让人心梗的句子，没有之一！ “你还可以，但不是最优解。我们要先把你放进‘鱼池’里泡着，等后面几个候选人面完，如果他们太贵或者不来，我们再把你捞起来。”或者“HC（编制）还没批下来，先稳住你再说。”这个“流程”可能会走上一个月，最后告诉你“公司业务调整，HC锁了”或者直接养鱼养到失联。Offer一天没发到邮箱里，就一天不要停止面试！ 哪怕HR在电话里说得再天花乱坠，口头Offer都是0约束力。该海投海投，该面试面试，用其他Offer去反向催进度才是王道。🤥 TOP 2：我们公司是扁平化管理，氛围特别好。刚毕业的小白最容...