leecodecode【面试150】【2026.6.18打卡-java版本】

有效的括号

要点：括号匹配，栈

class Solution {
    public boolean isValid(String s) {
        //栈,push.pop
        if(s == null || s.length() == 0){
                return true;
        }
        Deque<Character> stack = new ArrayDeque<>();

        for(char c : s.toCharArray()){
            if(c == '('  || c =='{' || c =='['){
                stack.push(c);
            }else{
                if(stack.isEmpty()){
                    return false;
                }

                char temp = stack.peek();
                if(c == ')' && temp == '(' ){
                    stack.pop();
                }else if(c == '}' && temp =='{'){
                    stack.pop();
                }else if(c == ']' && temp == '['){
                    stack.pop();
                }else{
                    stack.push(c);
                }
            }
        }

        return stack.isEmpty();
        
    }
}

简化路径

要点：栈，主要是把题目意思理清楚

class Solution {
    public String simplifyPath(String path) {
        List<String> stk = new ArrayList<>();
        for (String s : path.split("/")) {
            if (s.isEmpty() || s.equals(".")) {
                continue;
            }
            if (!s.equals("..")) {
                stk.add(s);
            } else if (!stk.isEmpty()) {
                stk.removeLast(); // stk.remove(stk.size() - 1);
            }
        }
        return "/" + String.join("/", stk);
    }
}

随机知识

Transformer 的 Self-Attention（自注意力）机制是整个模型的基石。它的本质是**"全局信息聚合"**：让序列中的每个词，都能直接"看到"并融合所有其他词的信息。

你提到的 Q×K → Softmax → 加权 V 是绝对核心的计算主线。为了让你理解透彻，我将严格遵循矩阵运算的维度变换，分三个阶段拆解（附带完整数学公式）：

前置准备：输入与投影

假设输入序列长度为 LL，每个词的嵌入维度为 dmodeldmodel​。

1. 输入矩阵 XX：形状为 (L,dmodel)(L,dmodel​)。

2. 通过三个可训练权重矩阵 WQ,WK,WVWQ​,WK​,WV​ 进行线性投影，生成：

   • Q（查询） ：Q=XWQQ=XWQ​，形状 (L,dk)(L,dk​)。（代表"我想找什么"）

   • K（键） ：K=XWKK=XWK​，形状 (L,dk)(L,dk​)。（代表"我有什么索引"）

   • V（值） ：V=XWVV=XWV​，形状 (L,dv)(L,dv​)。（代表"我实际携带的内容"）

     （通常 dk=dvdk​=dv​，且为了多头方便，常设为 dmodel/headsdmodel​/heads）

---

第一阶段：Q × K（计算相似度得分矩阵）

这一步是为了计算序列中任意两个位置之间的关联强度。

• 运算：QQ 与 KK 的转置做矩阵乘法，即 Scores=Q⋅KTScores=Q⋅KT。

• 维度变化：(L,dk)×(dk,L)=(L,L)(L,dk​)×(dk​,L)=(L,L)。

• 物理含义 ：结果矩阵中，第 ii 行第 jj 列的数值，代表第 ii 个位置的 Query 与第 jj 个位置的 Key 的点积。点积值越大，表示这两个位置在向量空间中的夹角越小，关联度越高。

---

第二阶段：缩放（Scale）与 Softmax（归一化为概率权重）

原始点积值可能非常大（尤其在维度 dkdk​ 较大时），这会使得 Softmax 的梯度进入极小的饱和区，导致训练困难。因此需要先"降温和稳定梯度"。

• 缩放运算：Scaled_Scores=Q⋅KTdkScaled_Scores=dk​​Q⋅KT​。（除以 dkdk​​ 使得方差稳定在 1 左右）

• Softmax 归一化 ：对矩阵的每一行（即针对当前查询词）应用 Softmax。

  Attention_Weights=softmax(QKTdk)Attention_Weights=softmax(dkQKT)

• 维度不变：仍为 (L,L)(L,L)。

• 物理含义 ：此时矩阵的每一行都是概率分布，且和为 1。这意味着对于位置 ii 来说，它对序列中所有位置（包括自己）的"关注度"百分比。

---

第三阶段：加权 V（聚合信息输出）

拿到注意力权重矩阵后，用它去提取 Value 中的实际语义信息。

• 运算：将权重矩阵与 VV 相乘，即 Output=Attention_Weights⋅VOutput=Attention_Weights⋅V。

• 维度变化：(L,L)×(L,dv)=(L,dv)(L,L)×(L,dv​)=(L,dv​)。

• 物理含义 ：对于位置 ii，新输出的向量 = ∑j(注意力权重i,j×Vj)∑j​(注意力权重i,j​×Vj​)。这相当于将序列中所有位置的 Value 按"相似度比例"混合在一起，形成当前位置融合了全局信息的最终上下文向量。

---

完整数学公式（最终形态）

将上述三步合并，即经典论文中的标准公式：

Attention(Q,K,V)=softmax(QKTdk)VAttention(Q,K,V)=softmax(dk​​QKT​)V

---

深度细节补充（易错点）

1. 为什么用 KTKT 而不是 KK：为了保证输出的注意力矩阵是方阵 (L×L)(L×L)，使得每个词都能对应一个关于所有词的概率分布。

2. 掩码（Mask）在哪介入 ：在 Softmax 之前，解码器（Decoder）会将未来位置的得分设为 −∞−∞，这样 Softmax 后概率趋近于 0，从而保证"不能看到未来信息"。

3. 多头机制（Multi-Head）：上述过程会并行执行 hh 次（多组不同的 WQ,WK,WVWQ​,WK​,WV​），得到多个 (L,dv)(L,dv​) 输出，最后拼接并过线性层。目的是让模型从不同语义子空间捕捉关联。

碎碎念：后续会更新每天学习的八股和算法 题，开始准备秋招的第39天。努力连续更新100天！以后每天就按，秋招项目【java +agent】，科研，必做项目，算法，八股，锻炼身体来总结。

总结：aicoding一整天

1.算法面试150 75/150【早中晚】 30min

2.秋招项目，【java 项目】，【修改，1h】

【agent 项目 】，【x修改，1h】

3.科研要跑一下，无

4.检测项目，准备数据集【4h】

6.背八股，无

7.锻炼身体，【1h】

反思：晚上没学习，玩了一晚上，每天开始背背背！！