1. Transformer 的自注意力机制、位置编码、梯度消失和梯度爆炸的解决方案答：自注意力机制的核心是让每个 token 在计算表示时都能和序列中其他 token 交互。给定输入 (X)，先通过线性变换得到 (Q)、(K)、(V)：然后计算注意力：这里除以 根号下dk 是为了防止点积过大导致 softmax 进入饱和区，影响梯度。多头注意力就是把表示拆成多个子空间并行计算，最后再拼接，能从不同角度学习依赖关系。位置编码是因为 Attention 本身不包含顺序信息，所以需要显式加入位置信息。经典做法是正余弦位置编码：现在也常用相对位置编码和 RoPE。梯度消失和梯度爆炸的解决方案包括：残...

现在好多技术都在学，项目还在搞，但是害怕时间太晚来不及了，只要有人要我就可以了小厂也可以，佬佬帮我看一下😭😭

哪里可以改改吗？是哪里出了问题😭

不仅记错了时间迟到了一会儿还回答的很差，铁凉凉了HashMap 何时扩容？String为什么设计为不可变类型？如何创建线程池的？为什么要用线程池？单核cpu多线程是否有用？MyBaits一、二级缓存是什么？怎么优化数据库查询？用过索引吗？主键索引和普通索引什么区别？单线程Redis为什么那么快？项目中哪里用了Redis？数据库和Redis如何保证一致性？讲讲事务传播机制项目相关提问