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...

为什么第一段实习都找不到😂，211本，项目一个点评一个微服务商城，

简历求拷打，有没有大佬给点建议😭实习经历不太会写，大部分都是做业务功能的没有很强的技术点😟

面了一个半小时刚开始就是一道算法和一道代码输出算法考的是：给定一个字符串，按照字符串中字母出现的次数输出去重之后的字符串（出现次数越多就把该字母放在前面）e.g 输入：aaabbc 输出：abc代码输出题考的是事件循环，还让我解释为什么会这样输出后面全程问项目，结合项目问八股，而且面试官还看了我的ai面，问了个ai面中我答得比较好的问题项目如果上线出现问题，前端怎么设置出错日志告警用户登录功能怎么实现的登录状态如何持久化，了解服务端生成session的机制吗关于图片上传大小有限制吗，那如果一个用户上传1GB的图片怎么办如何优化大量图片的加载性能，除了缩略图还可以使用什么方法如何防止重复上传相同...