https://gobyexample.com/ 多人推荐，非常简洁直白的网站，适合初学者
https://go.dev/tour/ 这个也很多人推荐了 非常好的交互学习内容，很适合上手
https://go-zh.org/doc/ go 官方文章的中文翻译，降低阅读门坎适合新手

不错的尝试，如果能模块化各个步骤给人使用是个好的实践

这是对人的不遵准，而且是 HR 等招人单位滥用自己的优势地位。因为你急着不给自己 gap ，就必须尽快找到工作，就必须与用人单位尽快达成一致，就容易降低自己的要求。
所以一切的核心不过是为了让你尽快工作，所有打工人不要理这些傻 X 的规定，敢要求不让 gap 的地方都拒绝去，不惯着这群傻

习惯用这些标签词语，是懒惰不思进取

如果对 AI 有热爱，就做去 AI 方向，这个有未来，你的前后端不要去考虑，用 AI 都往全栈发展了，都是要被取代的

确实因为没有 close 的问题，压测发现 bug 找了一下午，火大

兴趣一般是即使这个事情不赚钱，你依然愿意做的事。但现在你需要赚钱，所有不用考虑兴趣！直接找你自己认为左右可能赚钱，稳稳的赚钱的选择，做好了再考虑其他的！

@LeeReamond transformer 不只是生成查询（ Q ）、键（ K ）和值（ V ）的一个全连接层，还有多头注意力机制，FFNN 都有用到。
简要流程：
1.每个词通过词嵌入模型被转换为一个固定长度的向量(词嵌入向量)，这个过程是自然语言处理（ NLP ）中的常规步骤。(词嵌入向量每个维度代表不同的潜在语义属性)
2.在自注意力机制中将每个词的嵌入向量与三个不同的权重矩阵相乘，分别得到 Q （查询）、K （键）和 V （值）向量。这里用到的三个权重矩阵 WQ,WK,WV 是模型通过训练学习到的参数。
3.Softmax(Q·K/sqrt(x))->求出注意力分数，注意力分数会对值向量 V 进行加权求和，以生成每个位置的输出向量。这样，*每个输出向量就是输入序列中所有位置的信息的加权组合*，其中的权重反映了每个输入位置对当前输出位置的重要性。

实际 Transformer 模型中，会使用“多头注意力”机制(multi-head-attention)，即并行地进行多次上述 2,3 注意力计算，每次使用不同的 Q 、K 、V 权重矩阵。这允许模型在不同的表示子空间中捕获信息。然后，所有头的输出会被拼接起来，并通过另一个线性层进行变换，以生成最终的多头注意力层的输出。

词嵌入向量：向量旨在捕捉词汇的语义特征，每个维度代表不同的潜在语义属性。
词嵌入向量->转换到 Q 、K 、V 过程是通过权重矩阵相乘来实现。在 Transformer 中，Q （查询）、K （键）和 V （值）向量的每个维度都是原始词嵌入向量所有维度的加权结果。

有意思

leetcode 已经成为了一种爱好了，有毒

能去就去，不要犹豫

go 在外企的使用非常非常少，大部分是 DevOps 运维相关的工作。用 Go 做后端的外企大概只有特斯拉了。

国内人 work out 的时间太少，就是基本不健身，这也是个问题！

用英文搜索啊

新人，没关注过

挺奇怪的，外企怎么不多公布点信息，难道是 Web3

这太离谱了