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...

本来觉得混了段实习应该比找第一段的时候好点 怎么感觉还是没有面试哇

目前0实习，想找中大厂的暑期实习和日常实习，目前进度hot100快刷完了，八股看了一多半（但很多感觉忘记了）。恳求大佬们给出一些建议和指导😸

几乎都是八股，开头自我介绍完了后面试官简单问了下公司的业务背景前端进行性能优化的手段有哪些嵌套数组怎么实现扁平化讲一下深浅拷贝区别和深拷贝实现json.parse()方法有什么缺点es6的实现呢let、const、var的区别两个异步任务怎么同时获得结果all和allSettle的区别比如说我拿到一个数组，中间有错误，分别会返回什么let、const、var的区别flex这个属性的含义，设置成100代表什么vue2和vue3的区别vue生命周期，怎么监听页面销毁vue有几个常用的函数pinia和vuex两个有什么区别讲讲父子通信以及其他通信vue的hook有哪些常用的UI框架有哪些vue的全局...