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...

老哥看看是简历的问题吗？还是投的少了，打招呼咋没几个回的呀😥

竞技世界，春招第一面，面试体验非常好，面试官超级温柔，我答不上来也只是微笑下🕐面试时间：25min💻面试岗位：java1、本科学过哪些计算机相关课程（非科班）2、简单介绍下项目，项目相关提问3、策略模式和工厂模式什么区别4、Java虚拟机运行时编译过程？是不是每个代码都会经历JIT编译？5、ThreadLocal和Synchronized的作用及设计思想6、聚簇索引（Clustered Index）是什么？应用场景？7、用过乐观锁吗，讲一讲8、用过RPC协议、微服务框架吗？了解过LLM/Agent吗？