1.说一下 Transformer 的底层结构吧Transformer 的核心是用自注意力代替传统序列模型里的递归结构。一个标准模块通常包含多头自注意力、前馈网络、残差连接和 LayerNorm。自注意力负责让每个 token 和其他 token 直接交互，前馈网络负责做非线性变换，残差和归一化负责保证深层训练稳定。它真正厉害的地方不是结构复杂，而是信息传播路径短，长距离依赖更容易建模，并且天然适合并行训练。2. Transformer 为什么用了 LayerNorm 呢因为 BatchNorm 依赖 batch 维度上的统计量，但 NLP 任务里句子长度不一致，线上推理时 batch 也经常...

看来得重新踏上征程了。后悔之前oc之后没有走其他的流程。

这个简历能找到暑假实习吗，简历可以怎么修改

1、介绍自己做过的项目--->项目中的难点（你怎么解决和思考的）2、java的基础知识： 2.1、问了hashMap底层原理，以及为什么hashMap线程不安全。 我说了一下数组+链表+红黑树（1.8），在链表长度链表长度 > 8 且数组长度 ≥ 64 时，链表转为红黑树，红黑树节点数 < 6 时，退化为链表。hashMap的内部操作不是原子性的，在多线程情况下会出现数据覆盖和丢失问题。比如两个线程同时put，发现key的hash位置为空。线程a挂起，线程b写入，随后A恢复，会直接覆盖b的数据。 2.2、GC垃圾回收算法 我说了分代收集法、复制算法、标记清楚法，以及他们的优缺...