选offer

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...

自我介绍：包括个人背景、大学/实习经历，以及 AI 大模型工具如何融入你的学习和实践。追问：AI 工具具体带来了哪些帮助或变化？快速排序算法的基本原理追问：如何选择基准值（Pivot），对性能有何影响？追问：在什么情况下快速排序不是最佳选择？Java 集合框架中 List、Set、Map 的底层实现原理及选择策略追问：ArrayList 扩容机制具体如何实现，何时触发扩容？追问：什么场景下选 ArrayList 比 LinkedList 更合适？数据库与缓存一致性保障的常用策略追问：延迟双删策略在高并发场景下有哪些潜在风险？追问：延迟双删适合什么场景？有没有其他更好的策略？设计一个基本的网络爬...