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...

应聘了很多家公司，基本上都是小微企业，双非真的无缘大厂吗？哪位大佬帮我看看简历啊？！

BG：27届2本9硕，求职意向后端 困惑：做了好多Ai coding了，怎么感觉后端干不久了呢（碎碎念  接下来还是给大家带来携程暑期实习二面的java后端面经！  自我介绍； 你觉得你项目中最闪亮的点是什么？ 答：开始吟唱 （随后开始问项目） 多线程环境下确保线程安全的几种方式？ 答：synchronized、ReentrantLock、ReadWriteLock等锁机制，以及volatile等关键字对可见行和有序性的保证 volatile如何保证？ 答：举了个i++的例子； 如何排查full GC频繁出现？原因？ 答：dump文件，分析老年代占用情况； Redis集群的方案？ 答：主从复制...