小米面试

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...

年前一面通过，后面问是否考虑外包岗位，撤回的消息说的是“没办法，学历是硬性指标”，难绷那你面我干啥呢，浪费双方时间，你早说是外包岗我还接你面试干啥😂

佬们求助，28小登已经boss上沟通了300了，牛客投了很多也是简历秒挂，想问下大佬们是哪出了问题呀，海投的中小厂，现在还是0面

1、make_shared 了解过吗？答案：了解。make_shared 本质上是用来创建 shared_ptr 的工厂函数。和直接 shared_ptr<T>(new T(...)) 相比，它通常只做一次内存分配，把对象本体和控制块放在一块连续内存里，所以性能更好，缓存局部性也更好。另外它异常安全性也更强，像复杂表达式里直接 new 可能在构造 shared_ptr 前抛异常，make_shared 可以避免这种问题。但它也不是所有场景都适合。比如对象特别大、你希望对象和控制块分开释放，或者需要自定义删除器，那就不一定用 make_shared。因为只要还有 weak_ptr 持...