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...

想找暑假java后端实习 但是简历过不了 大佬们能帮忙看看嘛 谢谢！

双非一本，八股刚开始，这个简历能找到实习吗。。。

流程很快，一面完第二天约二面，二面完hr加微信，有转正机会，但不保证转正，感谢这次流程～一面：40min自我介绍（一）项目与技术实践如何理解当前主流的 Agent 开发？项目中使用 Web Worker 的主要作用是什么？该技术调研是你独立完成的吗？AI 相关能力建设的难点是什么？项目中遇到的线上问题及解决方案？设计组件时如何考虑通用性和扩展性？如何评判网页性能是否合格？前端性能优化的核心方向有哪些？项目中虚拟滚动 / 懒加载具体是怎么实现的？（二）框架对 Vue 和 React 框架的理解？对 Vue组件通信的理解？（三）工程化Webpack 与 Vite 的核心区别是什么？Tree-sha...