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...

秋招没有大满败，最终收到节子的offer。

最近不管是写课设代码、改春招笔试算法题、做项目调试，还是整理面试思路、写实习日记，基本都离不开AI。把市面上主流的ChatGPT、Claude、豆包、Cursor、Trae全试了个遍，慢慢摸透了哪个场景用哪个最香，再也不用瞎试了。先说说程序员最关心的代码类AI，也是我用得最多的：Cursor算是我写代码的“主力工具”了，直接集成在编辑器里，不用切窗口太香了。写Java后端代码的时候，实时补全逻辑、一键重构代码、调试小BUG，完全贴合写代码的节奏；尤其是写算法题，边写边给提示，比对着ChatGPT复制粘贴舒服太多。缺点就是复杂场景的思路分析稍弱，但日常开发、课设、实习写代码完全够用。Trae这个...