题解 | 计算某字符出现次数

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： ...

0offer0约面  

📍面试公司：快商通🕐面试时间：3.27 17:30-18.00💻面试岗位：agent全栈开发自我介绍完后，要求共享展示屏幕vibe coding。展示中问了个人vibe coding使用心得。简历项目的出处（竟然还要求我展示项目，直接说不在这个电脑），不依不饶抓着问项目的github，还好简历中有一个是真的。简历项目难点怎么解决的，怎么去找到难点并怎么通过vibe coding的形式解决的。然后问使用cursor ，trace cn，cc的使用感受和偏好。ps：面试真能锻炼人，现在整体就是一个很松弛的面试状态，要求展示vibe coding也没啥，感觉就是看你有没有软件和使用经验。