面试题简述Transformer中用的是LayerNorm，而不是常见的BatchNorm，这是为什么？面试官想听的意识到不是BN不好，而是不适合Transformer的使用场景。面试回答举例Transformer中选择LayerNorm而不是BatchNorm，主要原因和序列建模方式以及训练场景有关。详情请查看：http://xhslink.com/o/8yJohFzKSX6由浅入深分析1、BN 依赖 batch 统计量。2、LN 只依赖特征维度。3、Transformer 的 token 并行与 BN 设计目标维度不一致。4、自回归推理场景下 BN 表现不稳定。面试加分点1、提出推理阶段 ...

😭😭本人大三上，运气好进了一家小公司实习，其实我就会个crud写了个外卖项目，但是有公司愿意收留我，我很珍惜这次实习机会，但是有个老师喜欢举报我们这帮逃课实习的，被导员压力了，说是什么领导来查，当天晚上让我立即回宿舍，明早必须去上课实际上第二天来根本没什么领导，导员说的后果很严重，说再被抓到就要把我这学期成绩清零然后上报我夜不归宿并且让我延毕😭但是我很珍惜这次实习机会，师傅对我很好什么问题都愿意帮我解决，一时半会也找不到替课的感觉很为难了，延毕感觉很麻烦

之前日常实习的组 秋招回去了 属于是也是嫡中嫡了 组里人也特别照顾我 薪资也非常满意

三、核心技术场景考察及候选人表现（一）考察场景高并发秒杀场景：1 万人同时抢购 100 个库存的商品，要求保证用户体验、系统稳定性与扩展性（二）候选人方案及面试官质疑候选人核心方案：前端先获取 token（通过 Lua 脚本实现锁机制），再凭 token 下单；后续考虑通过 MQ 异步处理、库存分片等方式优化面试官核心质疑点超卖与少卖风险：Lua 脚本仅解决锁竞争问题，下单环节的复杂逻辑（风控等）可能导致下单失败，已分发 token 会造成少卖；锁机制无法完全避免超卖系统扩展性不足：面对 1000 万人抢 1 万个商品的场景，数据库难以承载高并发读写，token 机制与数据库扛压能力不匹配异步...