题解 | #成绩排序#

AI发展的太快了，软件又多，该选哪一个，做什么，给大家一些启发，选择你认为合适的～  场景 1：写课程设计/小项目（从 0 到 1） 最优解：Cursor 单飞 为什么：  课设规模小（500-3000 行），Cursor Composer 一次性生成多文件，效率最高 VS Code 生态熟悉，没学习成本 学生免费的 Pro 福利薅一下  实操：  在 .cursorrules 写需求 + 技术栈 Composer 生成项目骨架 Agent mode 跑通  我前几天用这个组合 4 小时写完一个 Web 课设（前后端 + 数据库），全程不用切窗口。 场景 2：刷 ******** / 算法学习...

我现在这个水平大概能拿到多少薪资的offer😂

想着现在大二下搞段实习，方便后续发展，但是ssob上沟通了800多，只有30几个要简历，2个约面，还都没有过，hot100也刷了好几遍了，八股也大致过了一遍，是我的简历问题很大吗，怎么实习这么鬼嗨难找，求牛油们拷打

第 15 题：LoRA（Low-Rank Adaptation）的数学原理 题目 解释 LoRA（Low-Rank Adaptation）微调的数学原理。 一、动机 全量微调大模型要更新全部参数，显存与算力成本高。LoRA 假设预训练权重在适应新任务时，有效更新是低秩的，因此只学习一个低秩增量，与原权重相加得到适应后的权重，从而大幅减少可训练参数与显存。 二、数学形式 设某层线性变换为 ，。LoRA 不直接改 ，而是增加低秩分解的增量：  其中 ，， 为秩。前向时：   训练：只训练 、， 冻结；参数量从  变为 。 推理：可把  算好存成一张矩阵，等价于单层线性，无额外延迟；或保留  分开算...