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...

据传网易要下大雨从外包开始网上这图片也是零零散散真滴假滴？

3月收官，做一次完整的量化复盘，既是对这个月的交代，也给同样在实习+春招的牛友们一个参考。个人背景：双非计算机本科，杭州某中厂后端开发实习生，同时备战春招补录，3月核心围绕「业务落地、技术成长、春招备战」三大模块推进，有可量化的成果，也踩了致命的坑，全部分享出来，和大家一起成长。一、3月核心成果与收获1. 实习业务：从“执行开发”到“方案设计”的认知升级本月核心完成2个业务需求，1个技术优化项，全部顺利上线，零线上故障：独立负责用户中心权限管理模块重构，覆盖8个业务场景、12个核心接口，完成从需求评审、技术方案设计、开发联调、灰度上线的全流程跟进。上线后接口平均响应耗时从180ms优化至42m...