1. 介绍一下你做过的最有挑战性的项目，遇到了什么技术难点，如何解决的？回答框架：项目背景：简要说明项目目标和技术栈技术挑战：具体描述遇到的核心问题（性能瓶颈、并发问题、架构设计等）解决方案：详细说明采用的技术方案和实现细节效果量化：用数据说明优化效果（性能提升X%、响应时间降低等）反思总结：学到了什么，还有哪些改进空间示例："我做过一个高并发的订单处理系统。最大的挑战是在秒杀场景下，数据库成为瓶颈，出现大量超时。我采用了多级缓存架构：Redis缓存库存，本地缓存热点数据，使用Lua脚本保证原子性扣减库存。同时引入消息队列异步处理订单，削峰填谷。最终QPS从2000提升到15000，...

不过还是挺开心的hhh

第一次发牛客，想让兄弟们给点建议，我就想找个Java实习🙄

1. 谈谈深度学习中的归一化问题深度学习中的归一化，核心目的是让不同层、不同特征的数值分布更稳定，从而加速训练并提高收敛稳定性。常见归一化包括输入归一化（如像素缩放到[0,1]）、BatchNorm、LayerNorm、GroupNorm。BatchNorm在mini-batch维度统计均值方差，适合CNN场景；LayerNorm在特征维度统计，常用于NLP和Transformer。归一化可以缓解梯度消失/爆炸、允许更大学习率、降低参数初始化敏感性。 import torch.nn as nn # CNN里常见 BatchNorm2d cnn_block = nn.Sequential( nn...